論文の概要: Blending Ensemble for Classification with Genetic-algorithm generated Alpha factors and Sentiments (GAS)

• arxiv url: http://arxiv.org/abs/2411.03035v1
• Date: Tue, 05 Nov 2024 12:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:06.639971
• Title: Blending Ensemble for Classification with Genetic-algorithm generated Alpha factors and Sentiments (GAS)
• Title（参考訳）: 遺伝的アルゴリズムによるAlpha Factor and Sentiments(GAS)の分類のためのブレンディングアンサンブル
• Authors: Quechen Yang,
• Abstract要約: 本稿では,Bitcoin市場の動向を予測するために特別に設計された,革新的な遺伝的アルゴリズム生成型アルファセンチメント(GAS)ブレンディングアンサンブルモデルを紹介する。 このモデルは、高度なアンサンブル学習法、特徴選択アルゴリズム、奥行きの感情分析を統合している。 実験の結果,GASモデルは日々のBitcoinトレンド予測において競争力を発揮することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: With the increasing maturity and expansion of the cryptocurrency market, understanding and predicting its price fluctuations has become an important issue in the field of financial engineering. This article introduces an innovative Genetic Algorithm-generated Alpha Sentiment (GAS) blending ensemble model specifically designed to predict Bitcoin market trends. The model integrates advanced ensemble learning methods, feature selection algorithms, and in-depth sentiment analysis to effectively capture the complexity and variability of daily Bitcoin trading data. The GAS framework combines 34 Alpha factors with 8 news economic sentiment factors to provide deep insights into Bitcoin price fluctuations by accurately analyzing market sentiment and technical indicators. The core of this study is using a stacked model (including LightGBM, XGBoost, and Random Forest Classifier) for trend prediction which demonstrates excellent performance in traditional buy-and-hold strategies. In addition, this article also explores the effectiveness of using genetic algorithms to automate alpha factor construction as well as enhancing predictive models through sentiment analysis. Experimental results show that the GAS model performs competitively in daily Bitcoin trend prediction especially when analyzing highly volatile financial assets with rich data.
• Abstract（参考訳）: 暗号通貨市場の成熟と拡大に伴い、価格変動の理解と予測が金融工学の分野で重要な問題となっている。 本稿では,Bitcoin市場の動向を予測するために特別に設計された,革新的な遺伝的アルゴリズム生成型アルファセンチメント(GAS)ブレンディングアンサンブルモデルを紹介する。 このモデルは、高度なアンサンブル学習方法、特徴選択アルゴリズム、奥深くの感情分析を統合し、日々のBitcoin取引データの複雑さと変動性を効果的に捉える。 GASフレームワークは、市場感情と技術的指標を正確に分析することで、34のAlpha因子と8つのニュース経済感情要因を組み合わせることで、Bitcoin価格変動に関する深い洞察を提供する。 本研究の核となるのは、従来の買い取り戦略において優れたパフォーマンスを示すトレンド予測に、積み重ねモデル(LightGBM、XGBoost、ランダムフォレスト分類器を含む)を使用することである。 さらに, 遺伝的アルゴリズムを用いたα因子構築の自動化と, 感情分析による予測モデルの向上についても検討した。 実験結果から、GASモデルは、特に高ボラブルな金融資産を豊富なデータで分析する場合、日々のBitcoinトレンド予測において競争力を発揮することが示された。

関連論文リスト

• FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics [3.6423651166048874]
  本稿では,双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとFinBERTを併用して,暗号通貨の予測精度を向上させるハイブリッドモデルを提案する。 このアプローチは、先進的な時系列モデルと感情分析を組み合わせることで、不安定な金融市場の予測において重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-11-02T14:43:06Z)
• 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)
• Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
  本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。 我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。 モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-07-16T14:41:27Z)
• Ploutos: Towards interpretable stock movement prediction with financial large language model [43.51934592920784]
  PloutosはPloutosGenとPloutosGPTで構成される新しい金融フレームワークである。 PloutosGenには、テキストや数値など、さまざまなモーダルデータを分析し、異なる観点から定量的戦略を提供する、複数の主要な専門家が含まれている。 PloutosGPTのトレーニング戦略は、GPT-4を誘導して合理性を生成するリアビューミラープロンプト機構と、LLMを微調整するための動的トークン重み付け機構を活用する。
  論文  参考訳（メタデータ） (2024-02-18T10:28:18Z)
• A Novel Decision Ensemble Framework: Customized Attention-BiLSTM and XGBoost for Speculative Stock Price Forecasting [2.011511123338945]
  本稿では、投機的株式Bitcoin-USD(BTC-USD)の日替価格を予測するための新しいフレームワーク、CAB-XDEを提案する。 CAB-XDEフレームワークは、カスタマイズされた双方向長短期メモリ(BiLSTM)とアテンション機構とXGBoostアルゴリズムを統合している。 提案されたCAB-XDEフレームワークは、Yahoo Financeから供給された不安定なBitcoin市場で実証的に検証されている。
  論文  参考訳（メタデータ） (2024-01-05T17:13:30Z)
• 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)
• Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models [31.690290125073197]
  バブル検出のための新しいマルチスパン識別タスクであるCryptoBubblesを公開・公開する。 我々はこのマルチスパン識別タスクに適した一連のシーケンス・ツー・シーケンス・ハイパーボリックモデルを開発する。 RedditとTwitterでCryptoBubblesとハイパーボリックモデルの実用性を示す。
  論文  参考訳（メタデータ） (2022-05-11T08:10:02Z)
• 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)
• Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning [8.431365407963629]
  本研究では,PPO(Deep reinforcement Learning Algorithm-proximal Policy Optimization)に基づく,高速ビットコイン自動取引のためのフレームワークを提案する。 提案したフレームワークは、ボラティリティと急上昇の期間を通じて過剰なリターンを得ることができるため、ディープラーニングに基づく単一暗号通貨取引戦略を構築するための扉を開くことができる。
  論文  参考訳（メタデータ） (2021-09-30T01:24:03Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

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。