論文の概要: High resolution microprice estimates from limit orderbook data using hyperdimensional vector Tsetlin Machines

• arxiv url: http://arxiv.org/abs/2411.13594v1
• Date: Mon, 18 Nov 2024 13:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:17:41.963188
• Title: High resolution microprice estimates from limit orderbook data using hyperdimensional vector Tsetlin Machines
• Title（参考訳）: 超次元ベクトルTsetlin Machinesを用いたリミットオーダーブックデータからの高分解能マイクロプライス推定
• Authors: Christian D. Blakely,
• Abstract要約: そこで本研究では,マイクロプライスの誤り訂正モデルを提案する。 このモデルは、拡散と不均衡を求める最善の入札が与えられた現在のマイクロプライス推定を考慮に入れ、価格ランクの不均衡の最近のダイナミクスに基づいてマイクロプライスを調整する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We propose an error-correcting model for the microprice, a high-frequency estimator of future prices given higher order information of imbalances in the orderbook. The model takes into account a current microprice estimate given the spread and best bid to ask imbalance, and adjusts the microprice based on recent dynamics of higher price rank imbalances. We introduce a computationally fast estimator using a recently proposed hyperdimensional vector Tsetlin machine framework and demonstrate empirically that this estimator can provide a robust estimate of future prices in the orderbook.
• Abstract（参考訳）: そこで本研究では,マイクロプライスの誤り訂正モデルを提案する。 このモデルは、拡散と不均衡を求める最善の入札が与えられた現在のマイクロプライス推定を考慮に入れ、価格ランクの不均衡の最近のダイナミクスに基づいてマイクロプライスを調整する。 本稿では,最近提案された超次元ベクトル Tsetlin マシン・フレームワークを用いた高速な推定器を導入し,この推定器が注文帳の将来の価格を頑健に推定できることを実証的に実証する。

関連論文リスト

• A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
  本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。 自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
  論文  参考訳（メタデータ） (2024-02-08T16:45:01Z)
• Sparse PCA with Oracle Property [115.72363972222622]
  新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。 我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2023-12-28T02:52:54Z)
• 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)
• Electricity Price Prediction for Energy Storage System Arbitrage: A Decision-focused Approach [4.992622806418143]
  電力価格予測はエネルギー貯蔵システム(ESS)管理において重要な役割を担っている。 現在の予測モデルは、予測エラーを減らすことに重点を置いているが、下流の意思決定への影響を見落としている。 本稿では,下流最適化モデルから予測モデルへのギャップを埋めるため,ESS調停のための意思決定型電力価格予測手法を提案する。
  論文  参考訳（メタデータ） (2023-04-30T00:43:26Z)
• Machine Learning based Framework for Robust Price-Sensitivity Estimation with Application to Airline Pricing [20.5282398019991]
  本稿では,機能依存型価格感度の存在下での製品の動的価格設定の問題について考察する。 価格関連部がパラメトリックなフレキシブルで解釈可能な需要モデルを構築した。 モデルの残りの部分(ニュアンス)は非パラメトリックであり、洗練されたML技術によってモデル化することができる。
  論文  参考訳（メタデータ） (2022-05-04T03:35:12Z)
• 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)
• How Low Can We Go: Trading Memory for Error in Low-Precision Training [52.94003953419242]
  低精度算術は、少ないエネルギー、少ないメモリ、少ない時間でディープラーニングモデルを訓練する。 私たちは貯金の代償を支払っている: 精度の低い方がラウンドオフエラーが大きくなり、したがって予測エラーが大きくなる可能性がある。 私たちはメタラーニングのアイデアを借りて、メモリとエラーのトレードオフを学びます。
  論文  参考訳（メタデータ） (2021-06-17T17:38:07Z)
• Optimal Algorithms for Stochastic Multi-Armed Bandits with Heavy Tailed Rewards [24.983866845065926]
  我々は、重い尾の報酬を持つマルチアームのバンディットを考えており、そのp$-thのモーメントは、定数$nu_p$が1pleq2$である。 本稿では,従来の情報として$nu_p$を必要としない新しいロバストな推定器を提案する。 提案した推定器の誤差確率は指数関数的に高速に減衰することを示す。
  論文  参考訳（メタデータ） (2020-10-24T10:44:02Z)
• Nonparametric Estimation of the Fisher Information and Its Applications [82.00720226775964]
  本稿では,大きさn$のランダムサンプルからフィッシャー情報の位置推定の問題について考察する。 Bhattacharyaにより提案された推定器を再検討し、収束率の向上を導出する。 クリッピング推定器と呼ばれる新しい推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-07T17:21:56Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。