論文の概要: Predicting Stock Prices using Permutation Decision Trees and Strategic Trailing
- arxiv url: http://arxiv.org/abs/2504.12828v1
- Date: Thu, 17 Apr 2025 10:42:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-18 14:36:05.415012
- Title: Predicting Stock Prices using Permutation Decision Trees and Strategic Trailing
- Title（参考訳）: 変分決定木と戦略トレーサリングを用いた株価予測
- Authors: Vishrut Ramraj, Nithin Nagaraj, Harikrishnan N B,
- Abstract要約: NIFTY50指数の上位50株について,5分間のキャンドルスティックを用いた高周波データに着目した。
我々は、短期市場の変動に乗じて、より安値で株を買い、より高価格で売ることを目的としたトレーディング戦略を実践する。
- 参考スコア（独自算出の注目度）: 2.7309692684728617
- License:
- Abstract: In this paper, we explore the application of Permutation Decision Trees (PDT) and strategic trailing for predicting stock market movements and executing profitable trades in the Indian stock market. We focus on high-frequency data using 5-minute candlesticks for the top 50 stocks listed in the NIFTY 50 index. We implement a trading strategy that aims to buy stocks at lower prices and sell them at higher prices, capitalizing on short-term market fluctuations. Due to regulatory constraints in India, short selling is not considered in our strategy. The model incorporates various technical indicators and employs hyperparameters such as the trailing stop-loss value and support thresholds to manage risk effectively. Our results indicate that the proposed trading bot has the potential to outperform the market average and yield returns higher than the risk-free rate offered by 10-year Indian government bonds. We trained and tested data on a 60 day dataset provided by Yahoo Finance. Specifically, 12 days for testing and 48 days for training. Our bot based on permutation decision tree achieved a profit of 1.3468 % over a 12-day testing period, where as a bot based on LSTM gave a return of 0.1238 % over a 12-day testing period and a bot based on RNN gave a return of 0.3096 % over a 12-day testing period. All of the bots outperform the buy-and-hold strategy, which resulted in a loss of 2.2508 %.
- Abstract（参考訳）: 本稿では,インド株式市場における株価変動の予測と収益性取引の実施を目的とした,変動決定木(PDT)の活用と戦略的追跡について検討する。
NIFTY50指数の上位50株について,5分間のキャンドルスティックを用いた高周波データに着目した。
我々は、短期市場の変動に乗じて、より安値で株を買い、より高価格で売ることを目的としたトレーディング戦略を実践する。
インドにおける規制上の制約のため、当社の戦略では短期販売は考慮されていない。
このモデルは様々な技術的指標を取り入れ、後続の停止損失値やサポートしきい値などのハイパーパラメータを使用してリスクを効果的に管理する。
その結果,提案するトレーディングボットは,10年間のインド国債によるリスクフリー率よりも市場平均を上回っ,利回りが高くなる可能性が示唆された。
Yahoo Financeが提供する60日間のデータセットでデータをトレーニングし、テストしました。
具体的には、テストに12日、トレーニングに48日である。
LSTMをベースとしたボットは12日間のテスト期間で0.1238%、RNNをベースとしたボットは12日間のテスト期間で0.3096%だった。
全てのボットは買い取り戦略を上回っ、2.2508%の損失を出した。
関連論文リスト
- 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) - Spatiotemporal Transformer for Stock Movement Prediction [2.792030485253753]
ストックムーブメント予測のための時空間トランスフォーマー-LSTMモデルを用いた新しいアプローチSTSTを提案する。
本モデルでは, ACL18データセットとKDD17データセットに対して, それぞれ63.707と56.879%の精度が得られる。
S&P500の株価指数よりも最低10.41%高い利益を得ており、年間リターンは最低31.24%だった。
論文 参考訳（メタデータ） (2023-05-05T20:30:30Z) - Using a Deep Learning Model to Simulate Human Stock Trader's Methods of Chart Analysis [0.276240219662896]
提案手法は、過去600日間の株価に注目し、次のD日で株価が10%上昇するか、20%下落するかを予測する。
提案手法を用いて、シャープ比1.57の75.36%を返却し、それぞれ36%、0.61を上回った。
米国市場ではシャープ比0.61で27.17%のリターンを与え、NASDAQ、S&P500、DOW JONESの指数をそれぞれ17.69%、0.27で上回っている。
論文 参考訳（メタデータ） (2023-04-28T14:27:18Z) - Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。
そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。
これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。
我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
論文 参考訳（メタデータ） (2023-02-01T17:21:40Z) - A Game of NFTs: Characterizing NFT Wash Trading in the Ethereum Blockchain [53.8917088220974]
非Fungible Token(NFT)市場は2021年に爆発的に成長し、2022年1月には月間貿易額が60億ドルに達した。
ウォッシュトレーディングの可能性に関する懸念が浮かび上がっており、あるパーティがNFTを取引してそのボリュームを人為的に膨らませる市場操作の形式である。
洗濯物取引は全NFTコレクションの5.66%に影響し、総生産量は3,406,110,774ドルである。
論文 参考訳（メタデータ） (2022-12-02T15:03:35Z) - A Stock Trading System for a Medium Volatile Asset using Multi Layer
Perceptron [0.6882042556551609]
今後30日間の公開市場における価格予測のために,フィードフォワードディープニューラルネットワーク(DNN)のコアとなるストックトレーディングシステムを提案する。
結果は、非常に控えめな100ドルの予算からわずか1ヶ月で3.2%の総利益率をもたらすことを約束していた。
論文 参考訳（メタデータ） (2022-01-17T16:08:40Z) - 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) - Should You Take Investment Advice From WallStreetBets? A Data-Driven
Approach [37.86739837901986]
Reddit の WallStreetBets (WSB) コミュニティは,現在 Meme ストックと呼ばれているものの株価に影響を及ぼすという,その顕著な役割から,注目を浴びている。
本稿は、2019年1月から2021年4月までのWSBデータを分析し、コミュニティのレコメンデーションに依存する投資戦略がいかに成功していたかを評価する。
論文 参考訳（メタデータ） (2021-05-06T14:47:03Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Forecasting directional movements of stock prices for intraday trading
using LSTM and random forests [0.0]
本研究では,S&P500構成株の方向性を学習手法として無作為林とLSTMネットワークを用いた。
マルチフィーチャー設定では,トランザクションコストよりも前の日次リターンが0.64%,LSTMネットワークが0.54%,ランダムフォレストが0.54%であることがわかった。
論文 参考訳（メタデータ） (2020-04-21T17:35:48Z)
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。