Fugu-MT 論文翻訳(概要): Pursuing Top Growth with Novel Loss Function

論文の概要: Pursuing Top Growth with Novel Loss Function

arxiv url: http://arxiv.org/abs/2502.17493v1
Date: Thu, 20 Feb 2025 21:43:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-26 18:41:14.888144
Title: Pursuing Top Growth with Novel Loss Function
Title（参考訳）: 新規損失関数によるトップ成長の促進
Authors: Ruoyu Guo, Haochen Qiu,
Abstract要約: 我々は、トップ成長を促進するリターン重み付き損失関数を導入することで、AIのポテンシャルとユーティリティをさらに強化することを目指している。当社のベストモデルでは、2019年から2024年までの1340回のテスト日において、毎年1.18パーセントのシャープ比率で、毎日のリバランスで61.73%のリターンを達成しています。また, 従来の損失関数よりも, いくつかの性能指標と統計的証拠により, 新たな損失関数の優位性を示す。
参考スコア（独自算出の注目度）: 0.5312311916594153
License:
Abstract: Making consistently profitable financial decisions in a continuously evolving and volatile stock market has always been a difficult task. Professionals from different disciplines have developed foundational theories to anticipate price movement and evaluate securities such as the famed Capital Asset Pricing Model (CAPM). In recent years, the role of artificial intelligence (AI) in asset pricing has been growing. Although the black-box nature of deep learning models lacks interpretability, they have continued to solidify their position in the financial industry. We aim to further enhance AI's potential and utility by introducing a return-weighted loss function that will drive top growth while providing the ML models a limited amount of information. Using only publicly accessible stock data (open/close/high/low, trading volume, sector information) and several technical indicators constructed from them, we propose an efficient daily trading system that detects top growth opportunities. Our best models achieve 61.73% annual return on daily rebalancing with an annualized Sharpe Ratio of 1.18 over 1340 testing days from 2019 to 2024, and 37.61% annual return with an annualized Sharpe Ratio of 0.97 over 1360 testing days from 2005 to 2010. The main drivers for success, especially independent of any domain knowledge, are the novel return-weighted loss function, the integration of categorical and continuous data, and the ML model architecture. We also demonstrate the superiority of our novel loss function over traditional loss functions via several performance metrics and statistical evidence.
Abstract（参考訳）: 絶え間なく進化し、不安定な株式市場で一貫して黒字の金融決定を下すことは、常に難しい課題だった。異なる分野のプロフェッショナルは、価格変動を予想し、有名なCapital Asset Pricing Model(CAPM)のような証券を評価するための基礎理論を発展させている。近年,資産価格における人工知能(AI)の役割が高まっている。深層学習モデルのブラックボックスの性質は解釈可能性に欠けるが、金融業界における立場を固め続けている。我々は、MLモデルに限られた情報を提供しながら、トップ成長を駆動するリターン重み付き損失関数を導入することで、AIの可能性とユーティリティをさらに強化することを目指している。オープン/クローズ/ハイ/ロー、トレーディングボリューム、セクター情報)とそれらから構築されたいくつかの技術指標のみを用いて、トップ成長の機会を検出する効率的な日銀取引システムを提案する。当社のベストモデルでは、2019年から2024年までの1340日間のシャープ比1.18、2005年から2010年までの1360日間のシャープ比0.97、毎年37.61%で、毎日のリバランスで61.73%のリターンを達成しています。成功のための主要な要因は、特にドメイン知識とは独立して、新しいリターン重み付き損失関数、カテゴリデータと連続データの統合、MLモデルアーキテクチャである。また, 従来の損失関数よりも, いくつかの性能指標と統計的証拠により, 新たな損失関数の優位性を示す。

関連論文リスト

HedgeAgents: A Balanced-aware Multi-agent Financial Trading System [20.48571388047213]
大規模言語モデル(LLM)とエージェントベースのモデルは、リアルタイム市場分析と取引決定において有望な可能性を秘めている。急激な減少や頻繁な変動に直面すると、依然として顕著な-20%の損失を経験する。本稿では,ロバストネスの戦略を強化することを目的とした,革新的なマルチエージェントシステムであるHedgeAgentsを紹介する。
論文参考訳（メタデータ） (2025-02-17T04:13:19Z)
AlphaSharpe: LLM-Driven Discovery of Robust Risk-Adjusted Metrics [3.729242965449096]
シャープ比率のような財務指標は、リスクとリターンのバランスをとることで投資実績を評価する上で重要である。伝統的なメトリクスは、特に動的で不安定な市場の状況において、堅牢性と一般化に苦しむことが多い。本稿では,大規模言語モデル(LLM)を活用する新たなフレームワークであるAlphaSharpeを紹介する。
論文参考訳（メタデータ） (2025-01-23T11:35:17Z)
STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
論文参考訳（メタデータ） (2024-12-12T17:15:49Z)
AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-30T15:06:57Z)
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文参考訳（メタデータ） (2024-07-15T06:49:30Z)
Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文参考訳（メタデータ） (2023-06-01T01:36:51Z)
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)
Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文参考訳（メタデータ） (2022-10-22T14:47:11Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Learning Financial Asset-Specific Trading Rules via Deep Reinforcement Learning [0.6445605125467573]
さまざまな技術分析技術に基づいて様々な資産取引ルールを実験的に提案する。深層強化学習法(DRL)は、各資産の新たな取引規則を学習するために用いられる。この研究で提案されたモデルは、単一資産固有のトレーディングルールの学習において、他の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2020-10-27T10:59:53Z)
Uncertainty-Aware Lookahead Factor Models for Quantitative Investing [25.556824322478935]
最初にシミュレーションを通して、将来の基本に基づいて計算された要因によって株式を選択することができれば、ポートフォリオは標準因子モデルよりもはるかに優れていることを示します。本稿では、これらの予測された未来基本を従来の要因にプラグインするルックアヘッドファクターモデルを提案する。振り返り分析では、業界レベルのポートフォリオシミュレータを活用し、年次リターンとシャープ比の同時改善を示す。
論文参考訳（メタデータ） (2020-07-07T00:18:40Z)

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。