Fugu-MT 論文翻訳(概要): Representation Learning for Regime detection in Block Hierarchical Financial Markets

論文の概要: Representation Learning for Regime detection in Block Hierarchical Financial Markets

arxiv url: http://arxiv.org/abs/2410.22346v1
Date: Mon, 14 Oct 2024 20:23:00 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-03 08:19:26.460787
Title: Representation Learning for Regime detection in Block Hierarchical Financial Markets
Title（参考訳）: ブロック階層型金融市場におけるレジーム検出のための表現学習
Authors: Alexa Orton, Tim Gebbie,
Abstract要約: 我々は、取引資産システムを支える因果情報幾何の深層表現学習の観点から、金融市場体制の検出を考察する。深層学習モデルが学習時間相関のダイナミクスに過度に適合する金融市場投資のユースケースでは、特異なパフォーマンス指標の使用が誤解を招くことが示される。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We consider financial market regime detection from the perspective of deep representation learning of the causal information geometry underpinning traded asset systems using a hierarchical correlation structure to characterise market evolution. We assess the robustness of three toy models: SPDNet, SPD-NetBN and U-SPDNet whose architectures respect the underlying Riemannian manifold of input block hierarchical SPD correlation matrices. Market phase detection for each model is carried out using three data configurations: randomised JSE Top 60 data, synthetically-generated block hierarchical SPD matrices and block-resampled chronology-preserving JSE Top 60 data. We show that using a singular performance metric is misleading in our financial market investment use cases where deep learning models overfit in learning spatio-temporal correlation dynamics.
Abstract（参考訳）: 本研究では、市場発展を特徴付ける階層的相関構造を用いて、取引資産システムを支える因果情報幾何の深層表現学習の観点から、金融市場体制の検出を検討する。 SPDNet, SPD-NetBN, U-SPDNetの3つの玩具モデルのロバスト性を評価する。各モデルの市場位相検出は、ランダム化されたJSEトップ60データ、合成生成されたブロック階層SPD行列、およびブロックサンプリングされた時系列保存JSEトップ60データという3つのデータ構成を用いて行われる。深層学習モデルが時空間相関ダイナミクスの学習に過度に適合する金融市場投資のユースケースでは,特異なパフォーマンス指標の使用が誤解を招くことが示されている。

関連論文リスト

Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
Riemannian Multinomial Logistics Regression for SPD Neural Networks [60.11063972538648]
本稿では,Symmetric Positive Definite (SPD) 行列のための新しいタイプのディープニューラルネットワークを提案する。我々のフレームワークは、既存のSPDネットワークで最も人気のあるLogEig分類器について、斬新な説明を提供する。本手法の有効性は,レーダ認識,人行動認識,脳波分類(EEG)の3つの応用で実証された。
論文参考訳（メタデータ） (2023-05-18T20:12:22Z)
Systematic Evaluation of Deep Learning Models for Log-based Failure Prediction [3.3810628880631226]
本稿では,障害予測のためのログデータ埋め込み戦略とディープラーニング(DL)タイプの組み合わせを系統的に検討する。そこで我々は,組込み戦略とDLベースのエンコーダの様々な構成に対応するモジュールアーキテクチャを提案する。また,F1スコア測定値を用いて,Logkey2vecを用いたCNNベースのエンコーダが最適であることを示す。
論文参考訳（メタデータ） (2023-03-13T16:04:14Z)
Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction [20.879245331384794]
近年のディープニューラルネットワーク (DNN) 法はハイパーグラフを用いて多次ダイナミクスを捉えるが、畳み込みのフーリエ基底に依存している。以上の課題を克服するために,ストックムーブメント予測のための枠組みを提案する。我々の枠組みは、利益と安定性の観点から最先端の手法より優れています。
論文参考訳（メタデータ） (2022-11-11T01:58:18Z)
Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文参考訳（メタデータ） (2022-06-26T16:00:22Z)
Dynamic and Context-Dependent Stock Price Prediction Using Attention Modules and News Sentiment [0.0]
本稿では,金融時系列データに対する新たなモデリング手法である$alpha_t$-RIM(リカレント・インディペンデント・メカニズム)を提案する。このようなダイナミックな方法でデータをモデル化するために、$alpha_t$-RIMは指数的にスムーズなリカレントニューラルネットワークを使用する。その結果、$alpha_t$-RIMは、株価とニュースセンチメントの因果構造、季節やトレンドを反映できることがわかった。
論文参考訳（メタデータ） (2022-03-13T15:13:36Z)
Forecasting Financial Market Structure from Network Features using Machine Learning [0.6999740786886535]
機械学習を用いて,リンク型およびノード型金融ネットワークの機能から市場相関構造を予測するモデルを提案する。本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的なエビデンスを提案する。実験結果から,提案モデルが予測性能の高い市場構造を予測できることを示す。
論文参考訳（メタデータ） (2021-10-22T12:51:32Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
Reinforced Deep Markov Models With Applications in Automatic Trading [0.0]
我々はReinforced Deep Markov Model(RDMM)というモデルに基づくRLアプローチを提案する。 RDMMは自動取引システムとして機能する強化学習アルゴリズムの望ましい特性を統合する。テストの結果、RDMMはデータ効率が良く、最適な実行問題のベンチマークと比較すると、金銭的利益が得られることがわかった。
論文参考訳（メタデータ） (2020-11-09T12:46:30Z)
Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文参考訳（メタデータ） (2020-05-08T21:32:42Z)
Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。