論文の概要: NEAT Algorithm-based Stock Trading Strategy with Multiple Technical Indicators Resonance

• arxiv url: http://arxiv.org/abs/2501.14736v1
• Date: Wed, 11 Dec 2024 05:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 07:48:11.589512
• Title: NEAT Algorithm-based Stock Trading Strategy with Multiple Technical Indicators Resonance
• Title（参考訳）: 複数の技術指標共振器を用いたNEATアルゴリズムに基づくストックトレーディング戦略
• Authors: Li-Chun Huang,
• Abstract要約: 複数の技術指標を用いた株式取引にNEAT(NeuroEvolution of Augmenting Topologies)アルゴリズムを適用した。 当社のアプローチは、収益を最大化し、リスクを回避し、バイアンドホールド戦略を上回ることに重点を置いています。 本研究の結果から,NEATモデルはバイヤー・アンド・ホールド戦略と同様のリターンを得たが,リスク露光が低く,安定性が向上した。
• 参考スコア（独自算出の注目度）: 0.8158530638728501
• License:
• Abstract: In this study, we applied the NEAT (NeuroEvolution of Augmenting Topologies) algorithm to stock trading using multiple technical indicators. Our approach focused on maximizing earning, avoiding risk, and outperforming the Buy & Hold strategy. We used progressive training data and a multi-objective fitness function to guide the evolution of the population towards these objectives. The results of our study showed that the NEAT model achieved similar returns to the Buy & Hold strategy, but with lower risk exposure and greater stability. We also identified some challenges in the training process, including the presence of a large number of unused nodes and connections in the model architecture. In future work, it may be worthwhile to explore ways to improve the NEAT algorithm and apply it to shorter interval data in order to assess the potential impact on performance.
• Abstract（参考訳）: 本研究では,NEAT(NeuroEvolution of Augmenting Topologies)アルゴリズムを複数の技術指標を用いた株式取引に適用した。 当社のアプローチは、収益を最大化し、リスクを回避し、バイアンドホールド戦略を上回ることに重点を置いています。 本研究は、進行訓練データと多目的フィットネス機能を用いて、これらの目的に向けて人口の進化を導いた。 本研究の結果から,NEATモデルはバイヤー・アンド・ホールド戦略と同様のリターンを得たが,リスク露光が低く,安定性が向上した。 トレーニングプロセスでは、未使用のノードが多数存在し、モデルアーキテクチャに接続するなど、いくつかの課題も指摘しました。 今後の研究では、NEATアルゴリズムを改良し、それを短い間隔のデータに適用して、パフォーマンスへの影響を評価すべきである。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Optimal Execution with Reinforcement Learning [0.4972323953932129]
  本研究では,強化学習による最適実行戦略の開発について検討する。 本稿では,独自のMDPの定式化を行い,提案手法の結果を確認し,標準実行戦略に対して性能をベンチマークする。
  論文  参考訳（メタデータ） (2024-11-10T08:21:03Z)
• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• A Dynamic Weighting Strategy to Mitigate Worker Node Failure in Distributed Deep Learning [3.0468273116892752]
  本稿では分散ディープラーニングにおける様々な最適化手法について検討する。 本稿では,障害によるトラグラーノードの問題を軽減するための動的重み付け手法を提案する。
  論文  参考訳（メタデータ） (2024-09-14T00:46:51Z)
• Analysis of frequent trading effects of various machine learning models [8.975239844705415]
  提案アルゴリズムでは,ニューラルネットワーク予測を用いてトレーディング信号を生成し,売買操作を実行する。 ニューラルネットワークのパワーを活用することで、アルゴリズムはトレーディング戦略の正確性と信頼性を高める。
  論文  参考訳（メタデータ） (2023-09-14T05:17:09Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• A Comparative Evaluation of Predominant Deep Learning Quantified Stock Trading Strategies [0.38073142980733]
  本研究では,3つの深層学習型株式取引モデルとその関連戦略を,この問題に対する明確なアプローチの代表としてまず再構築する。 そして、これらの戦略のパフォーマンスを異なる視点で比較するために、3つのシナリオで実行された取引シミュレーションによって、ベンチマークを長期にわたって歴史的な低点に保持する。 その結果、極めて悪質な市場では、ディープラーニングアルゴリズムによって管理される投資ポートフォリオは、常に負のcsi 300ベンチマークを上向きにシフトさせる戻りシーケンスを生成することによって、累積損失を回避できることがわかった。
  論文  参考訳（メタデータ） (2021-03-29T03:21:40Z)
• Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
  確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。 本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。 経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:04:09Z)
• An Application of Deep Reinforcement Learning to Algorithmic Trading [4.523089386111081]
  本稿では, 深部強化学習(DRL)に基づくアルゴリズム取引問題の解法を提案する。 幅広い株式市場でシャープ比のパフォーマンス指標を最大化するために、新しいDRLトレーディング戦略を提案する。 得られた強化学習 (RL) エージェントのトレーニングは, 限られた市場履歴データから人工軌道を生成することに基づいている。
  論文  参考訳（メタデータ） (2020-04-07T14:57:23Z)

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。