論文の概要: Finance-Grounded Optimization For Algorithmic Trading

• arxiv url: http://arxiv.org/abs/2509.04541v1
• Date: Thu, 04 Sep 2025 09:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.368008
• Title: Finance-Grounded Optimization For Algorithmic Trading
• Title（参考訳）: アルゴリズム取引のためのファイナンスグラウンド最適化
• Authors: Kasymkhan Khubiev, Mikhail Semenov, Irina Podlipnova,
• Abstract要約: まず、シャープ比、PnL(Profit-and-Loss)、Maximum Draw downなどの主要な量的財務指標から得られた財務的基盤的損失関数を紹介する。 提案した損失関数は,ターンオーバー正規化と合わせて,従来の平均二乗誤差損失よりも高い性能を示した。 この研究は、金融基盤の指標がトレーディング戦略の予測性能とポートフォリオ最適化を向上させることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning is evolving fast and integrates into various domains. Finance is a challenging field for deep learning, especially in the case of interpretable artificial intelligence (AI). Although classical approaches perform very well with natural language processing, computer vision, and forecasting, they are not perfect for the financial world, in which specialists use different metrics to evaluate model performance. We first introduce financially grounded loss functions derived from key quantitative finance metrics, including the Sharpe ratio, Profit-and-Loss (PnL), and Maximum Draw down. Additionally, we propose turnover regularization, a method that inherently constrains the turnover of generated positions within predefined limits. Our findings demonstrate that the proposed loss functions, in conjunction with turnover regularization, outperform the traditional mean squared error loss for return prediction tasks when evaluated using algorithmic trading metrics. The study shows that financially grounded metrics enhance predictive performance in trading strategies and portfolio optimization.
• Abstract（参考訳）: ディープラーニングは急速に進化しており、さまざまなドメインに統合されている。 金融は、特に解釈可能な人工知能(AI)の場合、ディープラーニングにとって困難な分野である。 古典的なアプローチは自然言語処理、コンピュータビジョン、予測に非常にうまく機能するが、専門家が異なるメトリクスを使ってモデルのパフォーマンスを評価する金融業界には最適ではない。 まず、シャープ比、PnL(Profit-and-Loss)、Maximum Draw downなどの主要な量的財務指標から得られた財務的基盤的損失関数を紹介する。 さらに,予め定義された制限内で発生した位置の回転を本質的に制限する手法であるターンオーバー正則化を提案する。 提案した損失関数は,アルゴリズムトレーディング指標を用いて評価すると,従来の平均二乗誤差損失よりも高い性能を示した。 この研究は、金融基盤の指標がトレーディング戦略の予測性能とポートフォリオ最適化を向上させることを示している。

関連論文リスト

• FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs [2.06242362470764]
  そこで,FinDPOについて紹介する。FinDPOは,トレーニング後の人間の嗜好のアライメントに基づく,ファイナンス固有の感情分析フレームワークである。 提案したFinDPOは、標準的な感情分類ベンチマークで最先端のパフォーマンスを達成する。 FinDPOは、毎年67%の実質的なポジティブリターンを維持し、高いリスク調整性能を維持するための、最初の感情ベースのアプローチである。
  論文  参考訳（メタデータ） (2025-07-24T13:57:05Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• 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)
• FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications [2.2661367844871854]
  大規模言語モデル(LLM)はこの文脈で使用することができるが、財務に特化せず、重要な計算資源を必要とする傾向がある。 我々はLlama 2 7Bの基礎モデルに基づく新しいアプローチを導入し,その生成特性と包括的言語操作の利点を享受する。 これは、Llama2 7Bモデルを教師付き財務感情分析データの一部に微調整することで達成される。
  論文  参考訳（メタデータ） (2024-03-18T22:11:00Z)
• 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)
• 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)
• 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)
• Learning to Liquidate Forex: Optimal Stopping via Adaptive Top-K Regression [19.942711817396734]
  我々は、外国通貨(FC)で収益を上げ、国内通貨(HC)で経費を計上する企業のために行動する取引業者を学習することを検討する。 エージェントの目標は、トレーディングエピソードの終盤において、トレーディングエピソードの各ステップでFCを保持または販売することを決定したことにより、期待されるHCを最大化することである。 今後,すべてのFXレートを予測せずに,トップKのFXレートを予測できる新しい教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-02-25T09:33:10Z)
• Financial Markets Prediction with Deep Learning [11.26482563151052]
  金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。 カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。 我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
  論文  参考訳（メタデータ） (2021-04-05T19:36:48Z)
• Deep Portfolio Optimization via Distributional Prediction of Residual Factors [3.9189409002585562]
  そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。 本手法が米国および日本の株式市場データに有効であることを実証する。
  論文  参考訳（メタデータ） (2020-12-14T04:09:52Z)

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。