論文の概要: Research on Optimizing Real-Time Data Processing in High-Frequency Trading Algorithms using Machine Learning
- arxiv url: http://arxiv.org/abs/2412.01062v1
- Date: Mon, 02 Dec 2024 02:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:41:38.585224
- Title: Research on Optimizing Real-Time Data Processing in High-Frequency Trading Algorithms using Machine Learning
- Title（参考訳）: 機械学習を用いた高周波トレーディングアルゴリズムにおけるリアルタイムデータ処理の最適化に関する研究
- Authors: Yuxin Fan, Zhuohuan Hu, Lei Fu, Yu Cheng, Liyang Wang, Yuxiang Wang,
- Abstract要約: 本研究の目的は、高周波トレーディングアルゴリズムにおいて、データのリアルタイム処理を最適化することである。
動的特徴選択メカニズムは、市場データをリアルタイムで監視および分析する責任がある。
軽量ニューラルネットワークはモジュラー方式で設計されており、高速な畳み込み層とプルーニング技術を備えている。
- 参考スコア（独自算出の注目度）: 19.43972851292453
- License:
- Abstract: High-frequency trading (HFT) represents a pivotal and intensely competitive domain within the financial markets. The velocity and accuracy of data processing exert a direct influence on profitability, underscoring the significance of this field. The objective of this work is to optimise the real-time processing of data in high-frequency trading algorithms. The dynamic feature selection mechanism is responsible for monitoring and analysing market data in real time through clustering and feature weight analysis, with the objective of automatically selecting the most relevant features. This process employs an adaptive feature extraction method, which enables the system to respond and adjust its feature set in a timely manner when the data input changes, thus ensuring the efficient utilisation of data. The lightweight neural networks are designed in a modular fashion, comprising fast convolutional layers and pruning techniques that facilitate the expeditious completion of data processing and output prediction. In contrast to conventional deep learning models, the neural network architecture has been specifically designed to minimise the number of parameters and computational complexity, thereby markedly reducing the inference time. The experimental results demonstrate that the model is capable of maintaining consistent performance in the context of varying market conditions, thereby illustrating its advantages in terms of processing speed and revenue enhancement.
- Abstract（参考訳）: 高周波取引(HFT)は金融市場における重要な競争領域である。
データ処理の速度と精度は収益性に直接影響を与え、この分野の意義を浮き彫りにする。
本研究の目的は、高周波トレーディングアルゴリズムにおいて、データのリアルタイム処理を最適化することである。
動的特徴選択メカニズムは、クラスタリングと特徴量分析を通じて市場データをリアルタイムで監視、分析し、最も関連性の高い特徴を自動的に選択することを目的としている。
このプロセスは適応的特徴抽出法を用いて、データ入力が変化すると、システムがタイムリーにその特徴セットに応答し、調整できるので、データの効率的な利用が保証される。
軽量ニューラルネットワークはモジュラー方式で設計されており、高速な畳み込み層と、データ処理と出力予測の迅速な完了を容易にするプルーニング技術を備えている。
従来のディープラーニングモデルとは対照的に、ニューラルネットワークアーキテクチャはパラメータの数と計算複雑性を最小化し、推論時間を著しく短縮するように設計されている。
実験結果から, 市場条件の異なる状況下で一貫した性能を維持することができ, 処理速度と収益向上の両面において, 優位性を示すことができた。
関連論文リスト
- Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach [1.6574413179773764]
本研究では,ツール摩耗予測のためのデータ駆動手法,特にディープラーニングについて検討する。
この研究は、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)、サポートベクターマシン(SVM)、決定木など、いくつかの機械学習モデルを評価する。
ConvNeXtモデルには例外的な性能があり、装着するまで操作された4つのミリングツールのデータを用いてツール摩耗を特定する精度は99.1%である。
論文 参考訳（メタデータ） (2024-12-27T23:10:32Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - AdapFair: Ensuring Continuous Fairness for Machine Learning Operations [7.909259406397651]
本稿では、入力データの最適な公正な変換を見つけるために設計されたデバイアス化フレームワークを提案する。
正規化フローを活用して、効率的な情報保存データ変換を可能にします。
閉形式勾配計算を用いた効率的な最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-23T15:01:47Z) - Aeroengine performance prediction using a physical-embedded data-driven method [4.450340826544577]
本稿では,エンジン性能パラメータのリアルタイム予測を可能にするために,航空機とニューラルネットワークの両方の領域知識を組み合わせる戦略を提案する。
航空工学領域の知識を活用して,ネットワーク構造を任意に設計し,内部情報の流れを調節する。
提案手法の有効性とロバスト性を厳格に評価するために,2つの異なるデータセットにまたがって包括的な検証を行う。
論文 参考訳（メタデータ） (2024-06-29T17:56:58Z) - Automatic Input Feature Relevance via Spectral Neural Networks [0.9236074230806581]
本稿では,ディープニューラルネットワークにおける入力成分の相対的重要性を推定する新しい手法を提案する。
これは最適化プロセスのスペクトル再パラメータ化を活用することで達成される。
この手法は、合成データと実データの両方に対してうまく挑戦されている。
論文 参考訳（メタデータ） (2024-06-03T10:39:12Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳（メタデータ） (2024-05-07T17:44:54Z) - Distributed Neural Representation for Reactive in situ Visualization [23.80657290203846]
Inlicit Neural representations (INR) は、大規模ボリュームデータを圧縮するための強力なツールとして登場した。
分散ニューラル表現を開発し,それをその場での可視化に最適化する。
我々の技術はプロセス間のデータ交換を排除し、最先端の圧縮速度、品質、比率を達成する。
論文 参考訳（メタデータ） (2023-03-28T03:55:47Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳（メタデータ） (2020-12-28T19:21:14Z)
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。