論文の概要: Neuro-Symbolic Traders: Assessing the Wisdom of AI Crowds in Markets

• arxiv url: http://arxiv.org/abs/2410.14587v1
• Date: Fri, 18 Oct 2024 16:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:24:07.706119
• Title: Neuro-Symbolic Traders: Assessing the Wisdom of AI Crowds in Markets
• Title（参考訳）: ニューロシンボリックトレーダー:市場におけるAI大衆の知恵を評価する
• Authors: Namid R. Stillman, Rory Baggott,
• Abstract要約: 私たちは、深層生成モデルを使用して購入/販売決定を行う仮想トレーダーの形式を開発します。 我々の枠組みでは、ニューロシンボリックトレーダーは、視覚言語モデルを使用して資産の基本的価値のモデルを発見するエージェントである。 これは過去のデータと比べて価格の抑制につながっており、将来の市場の安定へのリスクを浮き彫りにしている」と述べた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deep generative models are becoming increasingly used as tools for financial analysis. However, it is unclear how these models will influence financial markets, especially when they infer financial value in a semi-autonomous way. In this work, we explore the interplay between deep generative models and market dynamics. We develop a form of virtual traders that use deep generative models to make buy/sell decisions, which we term neuro-symbolic traders, and expose them to a virtual market. Under our framework, neuro-symbolic traders are agents that use vision-language models to discover a model of the fundamental value of an asset. Agents develop this model as a stochastic differential equation, calibrated to market data using gradient descent. We test our neuro-symbolic traders on both synthetic data and real financial time series, including an equity stock, commodity, and a foreign exchange pair. We then expose several groups of neuro-symbolic traders to a virtual market environment. This market environment allows for feedback between the traders belief of the underlying value to the observed price dynamics. We find that this leads to price suppression compared to the historical data, highlighting a future risk to market stability. Our work is a first step towards quantifying the effect of deep generative agents on markets dynamics and sets out some of the potential risks and benefits of this approach in the future.
• Abstract（参考訳）: 金融分析のツールとして、深層生成モデルの利用が増えている。 しかし、これらのモデルが金融市場にどのような影響を与えるのか、特に金融価値を半自律的に見積もっているのかは不明だ。 本研究では,深層生成モデルと市場ダイナミクスの相互作用について考察する。 我々は、ディープ・ジェネレーティブ・モデルを用いて、ニューロシンボリック・トレーダーと呼ばれる購入・販売決定を行い、それらを仮想市場に公開する仮想トレーダーの形式を開発した。 我々の枠組みでは、ニューロシンボリックトレーダーは、視覚言語モデルを使用して資産の基本的価値のモデルを発見するエージェントである。 エージェントはこのモデルを確率微分方程式として開発し、勾配勾配を用いて市場データに調整する。 我々は、株式、商品、外国為替ペアを含む、合成データと実金融時系列の両方で、ニューロシンボリックトレーダーをテストする。 次に、いくつかのニューロシンボリックトレーダーグループを仮想市場環境に公開します。 この市場環境は、トレーダーの基本的な価値に対する信念と、観察された価格変動の間のフィードバックを可能にする。 これは過去のデータと比べて価格の抑制につながっており、将来の市場の安定へのリスクを浮き彫りにしている」と述べた。 我々の研究は、深層生成エージェントが市場動態に与える影響を定量化するための第一歩であり、将来的にはこのアプローチの潜在的なリスクとメリットを浮き彫りにする。

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)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• A Comprehensive Analysis of Machine Learning Models for Algorithmic Trading of Bitcoin [0.3069335774032178]
  本研究は,アルゴリズム取引におけるビットコイン価格の予測において,21の分類器と20の回帰器を含む41の機械学習モデルの性能を評価する。 我々の包括的な分析は、各モデルの強みと限界を明らかにし、効果的な取引戦略を開発する上で重要な洞察を与えます。
  論文  参考訳（メタデータ） (2024-07-09T13:07:43Z)
• A Network Simulation of OTC Markets with Multiple Agents [3.8944986367855963]
  我々は、取引が市場メーカによってのみ仲介される、オーバー・ザ・カウンタ(OTC)金融市場をシミュレートするための新しいアプローチを提案する。 本稿では,ネットワークモデルを用いて市場構造が価格変動に与える影響について考察する。
  論文  参考訳（メタデータ） (2024-05-03T20:45:00Z)
• Modelling crypto markets by multi-agent reinforcement learning [0.0]
  本研究では,暗号市場を模擬したマルチエージェント強化学習(MARL)モデルを提案する。 2018年から2022年にかけて継続的に取引された暗号通貨の1日当たり終値153ドルに調整されている。
  論文  参考訳（メタデータ） (2024-02-16T16:28:58Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• 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)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)
• Deep Probabilistic Modelling of Price Movements for High-Frequency Trading [0.0]
  本稿では、高周波市場価格の確率論的モデリングのための深い再帰アーキテクチャを提案する。 結果として生じる深層混合モデルは、自動化された高周波取引戦略の開発において重要ないくつかの実践的課題に同時に対処する。 このモデルでは,メトリックベーステストとシミュレートされたトレーディングシナリオの両方において,ベンチマークモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T19:25:40Z)

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。