論文の概要: Enhancement of price trend trading strategies via image-induced importance weights

• arxiv url: http://arxiv.org/abs/2408.08483v1
• Date: Fri, 16 Aug 2024 02:07:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 16:50:01.728293
• Title: Enhancement of price trend trading strategies via image-induced importance weights
• Title（参考訳）: 画像による重み付けによる物価トレンドトレーディング戦略の強化
• Authors: Zhoufan Zhu, Ke Zhu,
• Abstract要約: 深層学習画像解析技術を用いて,価格チャート画像の予測的一般価格パターンを識別するために,ブラックボックスを開放する。 価格パターンを特定した結果,画像による重み付け(トリプルI)が実現した。 3重I重み付け方式はポートフォリオ提案の価格トレンドトレーディングシグナルを著しく高めることができることを示す。
• 参考スコア（独自算出の注目度）: 9.277067377012258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We open up the "black-box" to identify the predictive general price patterns in price chart images via the deep learning image analysis techniques. Our identified price patterns lead to the construction of image-induced importance (triple-I) weights, which are applied to weighted moving average the existing price trend trading signals according to their level of importance in predicting price movements. From an extensive empirical analysis on the Chinese stock market, we show that the triple-I weighting scheme can significantly enhance the price trend trading signals for proposing portfolios, with a thoughtful robustness study in terms of network specifications, image structures, and stock sizes. Moreover, we demonstrate that the triple-I weighting scheme is able to propose long-term portfolios from a time-scale transfer learning, enhance the news-based trading strategies through a non-technical transfer learning, and increase the overall strength of numerous trading rules for portfolio selection.
• Abstract（参考訳）: 深層学習画像解析技術を用いて,価格チャート画像の予測的一般価格パターンを識別するために,ブラックボックスを開放する。 価格変動の予測における重要度に応じて既存の価格トレンドトレーディング信号の重み付け平均に適用される画像誘発重要度(トリプルI)重みの構築につながる。 中国株式市場における広範な実証分析から,3重I重み付け方式は,ネットワーク仕様,画像構造,ストックサイズなどの観点から,ポートフォリオ提案の価格トレンドトレーディングシグナルを著しく高めることができることを示す。 さらに、この三重化方式は、タイムスケール・トランスファー学習から長期的ポートフォリオを提案し、非技術的トランスファー学習を通じてニュースベースのトレーディング戦略を強化し、ポートフォリオ選択のための多数のトレーディングルールの全体的な強みを高めることができることを示した。

関連論文リスト

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• Quantitative Theory of Meaning. Application to Financial Markets. EUR/USD case study [1.3682156035049036]
  本論文は、情報と投資家の期待と市場価格運動の関連性に焦点を当てている。 我々は,情報量論の補完として,意味の定量的理論を構築した。 提案手法は、将来の市場資産の価格変動をよりよく理解し予測するために使用することができる。
  論文  参考訳（メタデータ） (2024-10-09T02:06:40Z)
• Deep Learning for Options Trading: An End-To-End Approach [7.148312060227716]
  我々は、高度にスケーラブルでデータ駆動の機械学習アルゴリズムを用いて、オプショントレーディング戦略に新しいアプローチを導入する。 エンドツーエンドアプローチでトレーニングしたディープラーニングモデルは、既存のルールベースのトレーディング戦略よりも、リスク調整されたパフォーマンスが大幅に向上していることを示します。
  論文  参考訳（メタデータ） (2024-07-31T17:59:09Z)
• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation [0.0]
  本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。 時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。 実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-13T09:10:05Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Fusion of Sentiment and Asset Price Predictions for Portfolio Optimization [0.0]
  本稿では,資産に対する感情を予測するためにセマンティック・アテンション・モデルを用いる。 感情を意識したLong Short Term Memoryを通じて最適なポートフォリオを選択する。 戦略は、安定性の観点から、従来のポートフォリオ割り当て戦略を上回るものではない。
  論文  参考訳（メタデータ） (2022-03-10T23:21:12Z)
• HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information [73.40830291141035]
  近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。 これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。 本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-26T14:04:04Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。