論文の概要: Deep Learning Models Meet Financial Data Modalities

• arxiv url: http://arxiv.org/abs/2504.13521v2
• Date: Mon, 21 Apr 2025 07:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 08:47:34.122822
• Title: Deep Learning Models Meet Financial Data Modalities
• Title（参考訳）: ディープラーニングモデルと金融データモダリティ
• Authors: Kasymkhan Khubiev, Mikhail Semenov,
• Abstract要約: 本研究では、ディープラーニングモデルと財務データモダリティの統合について検討する。 画像に基づく表現において,埋め込み技術を開発し,逐次リミット順序帳のスナップショットを異なる入力チャネルとして扱う。 制約順序帳データを処理する手法は,高周波トレーディングアルゴリズムの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Algorithmic trading relies on extracting meaningful signals from diverse financial data sources, including candlestick charts, order statistics on put and canceled orders, traded volume data, limit order books, and news flow. While deep learning has demonstrated remarkable success in processing unstructured data and has significantly advanced natural language processing, its application to structured financial data remains an ongoing challenge. This study investigates the integration of deep learning models with financial data modalities, aiming to enhance predictive performance in trading strategies and portfolio optimization. We present a novel approach to incorporating limit order book analysis into algorithmic trading by developing embedding techniques and treating sequential limit order book snapshots as distinct input channels in an image-based representation. Our methodology for processing limit order book data achieves state-of-the-art performance in high-frequency trading algorithms, underscoring the effectiveness of deep learning in financial applications.
• Abstract（参考訳）: アルゴリズムトレーディングは、ロウソクスティックチャート、注文された注文の注文統計、取引されたボリュームデータ、注文書の制限、ニュースフローなど、さまざまな金融データソースから有意義な信号を抽出することに依存している。 ディープラーニングは非構造化データの処理において顕著な成功を収めており、自然言語処理が大幅に進歩している一方で、構造化された金融データへの適用は現在も進行中の課題である。 本研究では、ディープラーニングモデルと金融データモダリティの統合について検討し、トレーディング戦略における予測性能の向上とポートフォリオ最適化を目的とした。 本稿では,組込み技術を開発し,逐次的リミテッドオーダーブックスナップショットを画像ベース表現の異なる入力チャネルとして扱うことにより,リミテッドオーダーブック分析をアルゴリズム取引に組み込む新しい手法を提案する。 本手法は,高頻度トレーディングアルゴリズムの最先端性能を実現し,金融応用におけるディープラーニングの有効性を実証する。

関連論文リスト

• Empowering Large Language Models in Wireless Communication: A Novel Dataset and Fine-Tuning Framework [81.29965270493238]
  我々は,無線通信アプリケーションのための大規模言語モデル(LLM)の評価と微調整を目的とした,特殊なデータセットを開発した。 データセットには、真/偽と複数選択型を含む、さまざまなマルチホップ質問が含まれている。 本稿では,PVI(Pointwise V-Information)に基づく微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T16:19:53Z)
• Demystifying Domain-adaptive Post-training for Financial LLMs [79.581577578952]
  FINDAPは、大規模言語モデル(LLM)のドメイン適応後学習に関する体系的できめ細かな研究である このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。 結果として得られるモデルであるLlama-Finは、幅広い財務タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-09T04:26:15Z)
• FinVision: A Multi-Agent Framework for Stock Market Prediction [0.0]
  本研究では,金融取引タスクに特化して設計されたマルチモーダルマルチエージェントシステムを提案する。 提案手法の重要な特徴はリフレクションモジュールの統合である。
  論文  参考訳（メタデータ） (2024-10-29T06:02:28Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Deep Limit Order Book Forecasting [2.771933807499954]
  我々は、最先端の深層学習手法を利用して、高頻度リミットオーダーブックの中間価格変化の予測可能性を探る。 大規模なリミットオーダーブックデータを効率的に処理するオープンソースコードベースであるLOBFrame'をリリースする。
  論文  参考訳（メタデータ） (2024-03-14T10:44:10Z)
• Reinforcement Learning for Financial Index Tracking [2.048226951354646]
  本稿では、回帰ベースのトラッキングエラーと値ベースのトラッキングエラーの両方の下で、金融指標追跡問題の最初の離散時間無限水平動的定式化を提案する。 提案手法は, 追跡精度でベンチマーク手法を上回り, キャッシュ引き出し戦略により余剰利益を得る可能性がある。
  論文  参考訳（メタデータ） (2023-08-05T08:34:52Z)
• Algorithms for Learning Graphs in Financial Markets [5.735035463793008]
  ラプラシアン構造制約下での無向グラフィカルモデル学習の基本問題について検討する。 我々は,ラプラシアン行列を金融資産の精密行列のモデルとして用いるための実証的証拠によって裏付けられた自然な正当化を提案する。 我々は,非方向重み付きグラフを学習するための乗算器の交互方向法に基づく数値アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-12-31T02:48:35Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• 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)

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。