論文の概要: Informer in Algorithmic Investment Strategies on High Frequency Bitcoin Data

• arxiv url: http://arxiv.org/abs/2503.18096v1
• Date: Sun, 23 Mar 2025 15:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:39:27.728808
• Title: Informer in Algorithmic Investment Strategies on High Frequency Bitcoin Data
• Title（参考訳）: 高速Bitcoinデータにおけるアルゴリズム投資戦略のインフォーマー
• Authors: Filip Stefaniuk, Robert Ślepaczuk,
• Abstract要約: 本稿では,高頻度Bitcoinデータの自動取引戦略構築におけるInformerアーキテクチャの利用について検討する。 異なる損失関数を持つインフォーマーモデルを用いた3つの戦略が提案され、評価された。 この研究は、GMADL損失関数で訓練されたインフォーマーモデルを用いることで、買い買い得アプローチよりも取引結果が優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The article investigates the usage of Informer architecture for building automated trading strategies for high frequency Bitcoin data. Three strategies using Informer model with different loss functions: Root Mean Squared Error (RMSE), Generalized Mean Absolute Directional Loss (GMADL) and Quantile loss, are proposed and evaluated against the Buy and Hold benchmark and two benchmark strategies based on technical indicators. The evaluation is conducted using data of various frequencies: 5 minute, 15 minute, and 30 minute intervals, over the 6 different periods. Although the Informer-based model with Quantile loss did not outperform the benchmark, two other models achieved better results. The performance of the model using RMSE loss worsens when used with higher frequency data while the model that uses novel GMADL loss function is benefiting from higher frequency data and when trained on 5 minute interval it beat all the other strategies on most of the testing periods. The primary contribution of this study is the application and assessment of the RMSE, GMADL, and Quantile loss functions with the Informer model to forecast future returns, subsequently using these forecasts to develop automated trading strategies. The research provides evidence that employing an Informer model trained with the GMADL loss function can result in superior trading outcomes compared to the buy-and-hold approach.
• Abstract（参考訳）: 本稿では,高頻度Bitcoinデータの自動取引戦略構築におけるInformerアーキテクチャの利用について検討する。 異なる損失関数を持つインフォーマーモデルを用いた3つの戦略: ルート平均正方形誤差(RMSE)、一般化平均絶対方向損失(GMADL)、量子損失(Quantile Loss)を提案する。 5分,15分,30分間隔を6つの異なる期間に分けて評価を行った。 InformerベースのQuantile損失モデルではベンチマークを上回りませんでしたが、他の2つのモデルではより良い結果が得られました。 RMSE損失を用いたモデルの性能は、新しいGMADL損失関数を用いたモデルでは、高い周波数データから恩恵を受ける一方、5分間隔でトレーニングすると、テスト期間の大半で他の全ての戦略を破る。 本研究の主な貢献は,Informerモデルを用いたRMSE,GMADL,Quantile損失関数の適用と評価である。 この研究は、GMADL損失関数で訓練されたインフォーマーモデルを用いることで、買い買い得アプローチよりも取引結果が優れていることを示す。

関連論文リスト

• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
  Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。 我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。 CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
  論文  参考訳（メタデータ） (2024-09-25T22:09:59Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• 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)
• Machine learning method for return direction forecasting of Exchange Traded Funds using classification and regression models [0.0]
  本稿では、ETF(Exchange Traded Funds)からのリターンの方向分析のための機械学習手法の提案と適用を目的とする。 ブラジルとアメリカの市場の標準データセットを使用して、回帰モデルと分類モデルを適用した。 リスクとリターンの面では、主にコントロールメトリクスよりもパフォーマンスが優れています。
  論文  参考訳（メタデータ） (2022-05-25T12:54:46Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• 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)
• Deep Reinforcement Learning for Active High Frequency Trading [1.6874375111244329]
  我々は、株式市場におけるアクティブな高周波取引のための、最初のエンドツーエンドのDeep Reinforcement Learning(DRL)ベースのフレームワークを紹介する。 我々はDRLエージェントを訓練し、Pximal Policy Optimizationアルゴリズムを用いてIntel Corporation株の1ユニットを取引する。
  論文  参考訳（メタデータ） (2021-01-18T15:09:28Z)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。