論文の概要: Recurrent Neural Networks for Dynamic VWAP Execution: Adaptive Trading Strategies with Temporal Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2502.18177v1
• Date: Tue, 25 Feb 2025 13:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:20:56.274385
• Title: Recurrent Neural Networks for Dynamic VWAP Execution: Adaptive Trading Strategies with Temporal Kolmogorov-Arnold Networks
• Title（参考訳）: 動的VWAP実行のためのリカレントニューラルネットワーク:時間的コルモゴロフ・アルノルドネットワークを用いた適応的トレーディング戦略
• Authors: Remi Genet,
• Abstract要約: 現代の金融市場では、VWAP(Volume Weighted Average Price)命令の実行が重要な課題である。 本稿では,進化する市場環境にリアルタイムで適応する動的ニューラルネットワークVWAPフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The execution of Volume Weighted Average Price (VWAP) orders remains a critical challenge in modern financial markets, particularly as trading volumes and market complexity continue to increase. In my previous work arXiv:2502.13722, I introduced a novel deep learning approach that demonstrated significant improvements over traditional VWAP execution methods by directly optimizing the execution problem rather than relying on volume curve predictions. However, that model was static because it employed the fully linear approach described in arXiv:2410.21448, which is not designed for dynamic adjustment. This paper extends that foundation by developing a dynamic neural VWAP framework that adapts to evolving market conditions in real time. We introduce two key innovations: first, the integration of recurrent neural networks to capture complex temporal dependencies in market dynamics, and second, a sophisticated dynamic adjustment mechanism that continuously optimizes execution decisions based on market feedback. The empirical analysis, conducted across five major cryptocurrency markets, demonstrates that this dynamic approach achieves substantial improvements over both traditional methods and our previous static implementation, with execution performance gains of 10 to 15% in liquid markets and consistent outperformance across varying conditions. These results suggest that adaptive neural architectures can effectively address the challenges of modern VWAP execution while maintaining computational efficiency suitable for practical deployment.
• Abstract（参考訳）: ボリューム重み付き平均価格(VWAP)の受注は、特に取引量や市場の複雑さが増し続けているため、現代金融市場では依然として重要な課題である。 前回の研究 arXiv:2502.13722 では,ボリューム曲線の予測に頼るのではなく,実行問題を直接最適化することで,従来のVWAP実行方法よりも大幅に改善された,新たなディープラーニング手法を紹介した。 しかし、このモデルはarXiv:2410.21448で記述された完全な線形アプローチを採用しており、動的調整のために設計されていないため、静的であった。 本稿では,進化する市場環境にリアルタイムで適応する動的ニューラルネットワークVWAPフレームワークを開発することにより,その基盤を拡大する。 まず、市場ダイナミクスにおける複雑な時間的依存関係をキャプチャするリカレントニューラルネットワークの統合、次に、市場フィードバックに基づいた実行決定を継続的に最適化する高度な動的調整メカニズムを紹介します。 5つの主要な暗号通貨市場で実施された実証分析は、この動的アプローチが従来の手法と従来の静的実装よりも大幅に改善され、液体市場での実行性能が10～15%向上し、様々な条件で一貫した性能向上を実現していることを示している。 これらの結果から,適応型ニューラルネットワークは,実運用に適した計算効率を維持しつつ,現代のVWAP実行の課題に効果的に対処できることが示唆された。

関連論文リスト

• Deep Learning for VWAP Execution in Crypto Markets: Beyond the Volume Curve [0.0]
  Volume-Weighted Average Price (VWAP) は、おそらく取引実行の最も一般的なベンチマークである。 VWAPの達成は、ボリュームと価格の2つの動的要因に依存しているため、本質的に困難である。 本稿では,ボリューム曲線予測の中間段階をバイパスすることで,VWAP実行目標を直接最適化するディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-19T13:49:51Z)
• 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)
• Improved deep learning of chaotic dynamical systems with multistep penalty losses [0.0]
  カオスシステムの長期的な振る舞いを予測することは、依然として恐ろしい課題である。 本稿では,最近提案された多段階ペナルティ演算子を活用することで,これらの課題に対処する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-08T00:13:57Z)
• RVRAE: A Dynamic Factor Model Based on Variational Recurrent Autoencoder for Stock Returns Prediction [5.281288833470249]
  RVRAEは、市場データの時間的依存関係とノイズに対処する確率論的アプローチである。 揮発性株式市場のリスクモデリングに長けており、潜在空間分布からのばらつきを推定し、リターンを予測する。
  論文  参考訳（メタデータ） (2024-03-04T21:48:32Z)
• Maximum entropy exploration in contextual bandits with neural networks and energy based models [63.872634680339644]
  モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。 両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。 これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
  論文  参考訳（メタデータ） (2022-10-12T15:09:45Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• 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)
• Value Iteration in Continuous Actions, States and Time [99.00362538261972]
  連続状態と動作に対する連続的適合値反復(cFVI)アルゴリズムを提案する。 非線形制御アフィンダイナミクスに対して最適なポリシを導出することができる。 物理システムのビデオは、urlhttps://sites.google.com/view/value-iteration.comで入手できる。
  論文  参考訳（メタデータ） (2021-05-10T21:40:56Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)

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。