論文の概要: Large Investment Model

• arxiv url: http://arxiv.org/abs/2408.10255v2
• Date: Thu, 22 Aug 2024 07:57:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 18:26:17.310504
• Title: Large Investment Model
• Title（参考訳）: 大規模投資モデル
• Authors: Jian Guo, Heung-Yeung Shum,
• Abstract要約: 大規模投資モデル(Large Investment Model, LIM)は、大規模における性能と効率性の両方を高めるために設計された新しい研究パラダイムである。 LIMはエンド・ツー・エンドの学習とユニバーサル・モデリングを採用し、多様な財務データから包括的な信号パターンを自律的に学習できる上流基盤モデルを作成する。
• 参考スコア（独自算出の注目度）: 7.712869313074975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional quantitative investment research is encountering diminishing returns alongside rising labor and time costs. To overcome these challenges, we introduce the Large Investment Model (LIM), a novel research paradigm designed to enhance both performance and efficiency at scale. LIM employs end-to-end learning and universal modeling to create an upstream foundation model capable of autonomously learning comprehensive signal patterns from diverse financial data spanning multiple exchanges, instruments, and frequencies. These "global patterns" are subsequently transferred to downstream strategy modeling, optimizing performance for specific tasks. We detail the system architecture design of LIM, address the technical challenges inherent in this approach, and outline potential directions for future research. The advantages of LIM are demonstrated through a series of numerical experiments on cross-instrument prediction for commodity futures trading, leveraging insights from stock markets.
• Abstract（参考訳）: 伝統的な量的投資研究は、労働力の増加と時間的コストの増大と共に、リターンの減少に遭遇している。 これらの課題を克服するために,大規模投資モデル(Large Investment Model, LIM)を導入する。 LIMはエンド・ツー・エンドの学習とユニバーサル・モデリングを採用し、複数の取引所、機器、周波数にまたがる様々な財務データから包括的な信号パターンを自律的に学習できる上流基盤モデルを作成する。 これらの"グローバルパターン"はその後、ダウンストリーム戦略モデリングに転送され、特定のタスクのパフォーマンスを最適化する。 LIMのシステムアーキテクチャ設計について詳述し、このアプローチに固有の技術的課題に対処し、今後の研究の方向性を概説する。 LIMの利点は、商品先物取引のクロスストラクチャー予測に関する一連の数値実験を通じて示され、株式市場からの洞察を活用している。

関連論文リスト

• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• A Survey of Financial AI: Architectures, Advances and Open Challenges [0.6798775532273751]
  金融AIは金融市場の予測、ポートフォリオ最適化、自動取引に対する洗練されたアプローチを強化する。 この調査は3つの主要な側面にわたるこれらの展開を体系的に分析する。
  論文  参考訳（メタデータ） (2024-11-01T04:16:00Z)
• On the Modeling Capabilities of Large Language Models for Sequential Decision Making [52.128546842746246]
  大規模な事前訓練されたモデルでは、推論や計画タスクのパフォーマンスがますます向上している。 我々は、直接的または間接的に、意思決定ポリシーを作成する能力を評価する。 未知の力学を持つ環境において、合成データを用いた微調整LDMが報酬モデリング能力を大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2024-10-08T03:12:57Z)
• An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
  本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。 時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。 テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• Long Short-Term Memory Pattern Recognition in Currency Trading [0.0]
  ワイコフフェイズ(Wyckoff Phases)は、リチャード・D・ワイコフが20世紀初頭に考案したフレームワークである。 本研究は、取引範囲と二次試験の段階を探求し、市場ダイナミクスを理解することの重要性を解明する。 この研究は、これらの相の複雑さを解き明かすことで、市場構造を通して流動性を生み出すことに光を当てている。 この研究は、金融分析とトレーディング戦略におけるAI駆動アプローチの変革の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-23T12:59:49Z)
• A Survey of Resource-efficient LLM and Multimodal Foundation Models [22.23967603206849]
  大規模言語モデル(LLM)、ビジョントランスフォーマー(ViT)、拡散、マルチモーダルモデルを含む大規模な基盤モデルは、機械学習ライフサイクル全体に革命をもたらしている。 しかしながら、これらのモデルが提供する汎用性と性能の大幅な進歩は、ハードウェアリソースの面でかなりのコストがかかる。 この調査は、アルゴリズム的側面とシステム的側面の両方を調べることで、そのような研究の重要さを掘り下げるものである。
  論文  参考訳（メタデータ） (2024-01-16T03:35:26Z)
• MinT: Boosting Generalization in Mathematical Reasoning via Multi-View Fine-Tuning [53.90744622542961]
  数学領域における推論は、小言語モデル(LM)にとって重要な課題である。 多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。 実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-16T05:41:53Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)
• 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。