論文の概要: TLOB: A Novel Transformer Model with Dual Attention for Stock Price Trend Prediction with Limit Order Book Data

• arxiv url: http://arxiv.org/abs/2502.15757v2
• Date: Thu, 27 Feb 2025 13:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:54:20.708645
• Title: TLOB: A Novel Transformer Model with Dual Attention for Stock Price Trend Prediction with Limit Order Book Data
• Title（参考訳）: TLOB:リミットオーダーブックデータによる株価トレンド予測のための二重注意型変圧器モデル
• Authors: Leonardo Berti, Gjergji Kasneci,
• Abstract要約: 制限順序帳(LOB)データに基づく株価トレンド予測(SPTP)は、金融市場における根本的な課題である。 ディープラーニングの進歩にもかかわらず、既存のモデルはさまざまな市場条件にまたがって一般化することができない。 我々は,SoTAの性能を超越していることを示し,複雑な空間アーキテクチャの必要性に挑戦する。
• 参考スコア（独自算出の注目度）: 10.684577067675585
• License:
• Abstract: Stock Price Trend Prediction (SPTP) based on Limit Order Book (LOB) data is a fundamental challenge in financial markets. Despite advances in deep learning, existing models fail to generalize across different market conditions and struggle to reliably predict short-term trends. Surprisingly, by adapting a simple MLP-based architecture to LOB, we show that we surpass SoTA performance; thus, challenging the necessity of complex architectures. Unlike past work that shows robustness issues, we propose TLOB, a transformer-based model that uses a dual attention mechanism to capture spatial and temporal dependencies in LOB data. This allows it to adaptively focus on the market microstructure, making it particularly effective for longer-horizon predictions and volatile market conditions. We also introduce a new labeling method that improves on previous ones, removing the horizon bias. We evaluate TLOB's effectiveness using the established FI-2010 benchmark, which exceeds the state-of-the-art by an average of 3.7 F1-score(\%). Additionally, TLOB shows improvements on Tesla and Intel with a 1.3 and 7.7 increase in F1-score(\%), respectively. Additionally, we empirically show how stock price predictability has declined over time (-6.68 absolute points in F1-score(\%)), highlighting the growing market efficiencies. Predictability must be considered in relation to transaction costs, so we experimented with defining trends using an average spread, reflecting the primary transaction cost. The resulting performance deterioration underscores the complexity of translating trend classification into profitable trading strategies. We argue that our work provides new insights into the evolving landscape of stock price trend prediction and sets a strong foundation for future advancements in financial AI. We release the code at https://github.com/LeonardoBerti00/TLOB.
• Abstract（参考訳）: 制限順序帳(LOB)データに基づく株価トレンド予測(SPTP)は、金融市場における根本的な課題である。 ディープラーニングの進歩にもかかわらず、既存のモデルは様々な市場条件をまたいだ一般化に失敗し、短期的なトレンドを確実に予測するのは難しい。 驚いたことに、単純なMLPベースのアーキテクチャをLOBに適応させることで、私たちはSoTAのパフォーマンスを上回り、複雑なアーキテクチャの必要性に挑戦しています。 我々は,ロバスト性問題を示す過去の研究と異なり,LOBデータの空間的および時間的依存関係を捉えるために,二重注意機構を用いたトランスフォーマーベースモデルであるTLOBを提案する。 これにより、市場マイクロ構造に適応的に焦点を合わせることができ、より長期にわたる予測や不安定な市場の状況に特に有効である。 また,従来よりも優れたラベリング手法を導入し,地平面バイアスを除去した。 我々は, FI-2010ベンチマークを用いてTLOBの有効性を評価し, 平均3.7F1スコア(\%)を超える評価を行った。 さらに、TLOBはTeslaとIntelでそれぞれ1.3と7.7のF1スコア(\%)の増加を示す。 さらに、時間とともに株価の予測可能性(F1スコア(\%)の6.68ポイント)が低下し、市場効率が向上したことを実証的に示す。 予測可能性はトランザクションコストに関連して考慮する必要があるので、私たちは、トランザクションコストを反映した平均的なスプレッドを使用してトレンドを定義する実験をしました。 結果として生じるパフォーマンス劣化は、トレンド分類を利益のあるトレーディング戦略に変換する複雑さを浮き彫りにする。 我々の研究は、株価トレンド予測の進化の展望に新たな洞察を与え、金融AIの将来的な発展のための強力な基盤を築き上げている、と我々は主張する。 コードはhttps://github.com/LeonardoBerti00/TLOB.comで公開しています。

関連論文リスト

• Minimal Batch Adaptive Learning Policy Engine for Real-Time Mid-Price Forecasting in High-Frequency Trading [1.7802147489386628]
  本研究では,NASDAQのレベル1制限順序帳(LOB)データを用いた中間価格予測手法を提案する。 本稿では、バッチフリーで即時価格予測が可能な強化学習(RL)ベースのエージェントである適応学習ポリシーエンジン(ALPE)を紹介する。
  論文  参考訳（メタデータ） (2024-12-26T22:49:53Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• 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)
• Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
  LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。 実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
  論文  参考訳（メタデータ） (2023-08-07T14:21:05Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)
• Predictive intraday correlations in stable and volatile market environments: Evidence from deep learning [2.741266294612776]
  我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。 以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。 ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
  論文  参考訳（メタデータ） (2020-02-24T17:19:54Z)

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。

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。