論文の概要: Directly Learning Stock Trading Strategies Through Profit Guided Loss Functions
- arxiv url: http://arxiv.org/abs/2507.19639v1
- Date: Fri, 25 Jul 2025 19:22:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:55.873009
- Title: Directly Learning Stock Trading Strategies Through Profit Guided Loss Functions
- Title（参考訳）: 利益誘導損失関数による株式取引戦略の直接学習
- Authors: Devroop Kar, Zimeng Lyu, Sheeraja Rajakrishnan, Hao Zhang, Alex Ororbia, Travis Desell, Daniel Krutz,
- Abstract要約: 株式ポートフォリオの意思決定を促進するために,4つの新たな損失関数を提案する。
これらの機能は、各株の購入または短縮に関する潜在的な利益または損失を考慮に入れている。
株式市場の変動が時間とともに大きく変動したにもかかわらず、時系列モデルのトレーニングは取引戦略をもたらし、大きな利益を生み出した。
- 参考スコア（独自算出の注目度）: 6.209778959431366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stock trading has always been a challenging task due to the highly volatile nature of the stock market. Making sound trading decisions to generate profit is particularly difficult under such conditions. To address this, we propose four novel loss functions to drive decision-making for a portfolio of stocks. These functions account for the potential profits or losses based with respect to buying or shorting respective stocks, enabling potentially any artificial neural network to directly learn an effective trading strategy. Despite the high volatility in stock market fluctuations over time, training time-series models such as transformers on these loss functions resulted in trading strategies that generated significant profits on a portfolio of 50 different S&P 500 company stocks as compared to a benchmark reinforcment learning techniques and a baseline buy and hold method. As an example, using 2021, 2022 and 2023 as three test periods, the Crossformer model adapted with our best loss function was most consistent, resulting in returns of 51.42%, 51.04% and 48.62% respectively. In comparison, the best performing state-of-the-art reinforcement learning methods, PPO and DDPG, only delivered maximum profits of around 41%, 2.81% and 41.58% for the same periods. The code is available at https://anonymous.4open.science/r/bandit-stock-trading-58C8/README.md.
- Abstract（参考訳）: 株式市場の非常に不安定な性質のため、株式トレーディングは常に困難な課題だった。
このような状況下では、利益を生み出すための健全な取引決定を下すことは特に困難である。
そこで本研究では,株式ポートフォリオの意思決定を促進するために,新たな4つの損失関数を提案する。
これらの機能は、各株の購入または短縮に関する潜在的な利益または損失を考慮し、任意の人工知能ニューラルネットワークが効果的な取引戦略を直接学習することができる。
株価変動の時間的変動にもかかわらず、これらの損失関数に対するトランスフォーマーなどのトレーニング時系列モデルは、ベンチマーク強化学習技術やベースライン購入・保有手法と比較して、50の異なるS&P500社株のポートフォリオでかなりの利益を生んだトレーディング戦略を導いた。
例えば、2021年、2022年、2023年を3回の試験期間として用いたクロスフォーマーモデルが最も一貫性があり、それぞれ51.42%、51.04%、48.62%のリターンが得られた。
比較すると、最先端の強化学習手法であるPPOとDDPGは、同じ期間に41%、2.81%、および41.58%の最大利益しか得られなかった。
コードはhttps://anonymous.4open.science/r/bandit-stock-trading-58C8/README.mdで公開されている。
関連論文リスト
- Building crypto portfolios with agentic AI [46.348283638884425]
暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。
本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
論文 参考訳（メタデータ） (2025-07-11T18:03:51Z) - Predicting Stock Prices using Permutation Decision Trees and Strategic Trailing [2.7309692684728617]
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。
論文 参考訳（メタデータ） (2025-04-17T10:42:38Z) - 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) - Combining Deep Learning on Order Books with Reinforcement Learning for
Profitable Trading [0.0]
本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。
この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
論文 参考訳（メタデータ） (2023-10-24T15:58:58Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Agent Performing Autonomous Stock Trading under Good and Bad Situations [0.0]
株式取引環境をシミュレートするパイプラインを開発した。
我々は、深層強化学習手法で株取引プロセスを自動化するエージェントを訓練した。
比較的良い(2021年まで)と悪い(2021年から2022年まで)の状況で、当社のプラットフォームを評価します。
論文 参考訳（メタデータ） (2023-06-06T19:44:37Z) - 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) - Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock
Recommendation via Split Variational Adversarial Training [44.7991257631318]
本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。
株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
論文 参考訳（メタデータ） (2023-04-20T12:10:12Z) - 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) - 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) - Combining Machine Learning Classifiers for Stock Trading with Effective
Feature Extraction [0.4199844472131921]
機械学習モデルは、ライブトレーディングを行うことで、米国株式市場でかなりの利益を上げることができる。
我々の研究は、重み付けされた分類器の混合が、株式市場での取引決定を行う個々の予測器よりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-28T03:22:58Z) - 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。