論文の概要: Increase Alpha: Performance and Risk of an AI-Driven Trading Framework

• arxiv url: http://arxiv.org/abs/2509.16707v1
• Date: Sat, 20 Sep 2025 14:37:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.935583
• Title: Increase Alpha: Performance and Risk of an AI-Driven Trading Framework
• Title（参考訳）: アルファ化:AI駆動トレーディングフレームワークのパフォーマンスとリスク
• Authors: Sid Ghatak, Arman Khaledian, Navid Parvini, Nariman Khaledian,
• Abstract要約: 金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There are inefficiencies in financial markets, with unexploited patterns in price, volume, and cross-sectional relationships. While many approaches use large-scale transformers, we take a domain-focused path: feed-forward and recurrent networks with curated features to capture subtle regularities in noisy financial data. This smaller-footprint design is computationally lean and reliable under low signal-to-noise, crucial for daily production at scale. At Increase Alpha, we built a deep-learning framework that maps over 800 U.S. equities into daily directional signals with minimal computational overhead. The purpose of this paper is twofold. First, we outline the general overview of the predictive model without disclosing its core underlying concepts. Second, we evaluate its real-time performance through transparent, industry standard metrics. Forecast accuracy is benchmarked against both naive baselines and macro indicators. The performance outcomes are summarized via cumulative returns, annualized Sharpe ratio, and maximum drawdown. The best portfolio combination using our signals provides a low-risk, continuous stream of returns with a Sharpe ratio of more than 2.5, maximum drawdown of around 3\%, and a near-zero correlation with the S\&P 500 market benchmark. We also compare the model's performance through different market regimes, such as the recent volatile movements of the US equity market in the beginning of 2025. Our analysis showcases the robustness of the model and significantly stable performance during these volatile periods. Collectively, these findings show that market inefficiencies can be systematically harvested with modest computational overhead if the right variables are considered. This report will emphasize the potential of traditional deep learning frameworks for generating an AI-driven edge in the financial market.
• Abstract（参考訳）: 金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 多くのアプローチが大規模トランスフォーマーを使用しているが、我々は、ノイズの多い財務データの中で微妙な規則性を捉えるために、フィードフォワードとリカレントネットワークという、ドメイン中心のパスを採っている。 この小型のフットプリント設計は、低信号対雑音下で計算的にリーンで信頼性が高く、大規模な日用品生産に不可欠である。 increase Alphaでは、800以上の米国株を最小の計算オーバーヘッドで毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 本論文の目的は2つある。 まず,コアとなる概念を開示することなく,予測モデルの概要を概説する。 第2に、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。 予測精度は、単純ベースラインとマクロインジケータの両方に対してベンチマークされる。 評価結果は累積リターン、年次シャープ比、最大ダウンダウンによって要約される。 我々の信号を用いた最良のポートフォリオの組み合わせは、2.5以上のシャープ比を持つ低リスクで連続的なリターンストリーム、最大3倍のドローダウン、S\&P 500市場ベンチマークとのほぼゼロの相関を提供する。 また、2025年初頭の米国の株式市場の不安定な動きなど、異なる市場体制を通じてモデルの性能を比較する。 本分析は,これらの変動期におけるモデルが頑健であり,性能が著しく安定していることを示す。 これらの結果から, 適切な変数を考慮した場合, 市場不効率性は, 計算オーバーヘッドが緩やかに抑えられ, 体系的に回収可能であることが示唆された。 このレポートは、金融市場でAI駆動のエッジを生成するための従来のディープラーニングフレームワークの可能性を強調します。

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)
• TLOB: A Novel Transformer Model with Dual Attention for Price Trend Prediction with Limit Order Book Data [10.684577067675585]
  制限順序帳(LOB)データに基づく価格トレンド予測(PTP)は、金融市場における根本的な課題である。 LOBデータにおける空間的および時間的依存関係を捉えるために,デュアルアテンション機構を用いたトランスフォーマーベースモデルTLOBを提案する。 F1スコアの6.68は、市場効率の上昇を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-12T12:41:10Z)
• Enhanced Momentum with Momentum Transformers [0.46498278084317696]
  私たちは、Trding with the Momentum Transformer: An Intelligent and Interpretable Architecture to equitiesという論文で紹介されたアイデアを拡張します。 局所パターン処理に最適化された従来のLong Short-Term Memory(LSTM)モデルとは異なり、アテンションメカニズムはトレーニングウィンドウ内のすべての事前時間ステップに直接アクセスすることができる。 このハイブリッド設計は、LSTMと組み合わせて、長期的な依存関係をキャプチャし、トランザクションコストを考慮に入れたシナリオのパフォーマンスを高め、市場環境の進化にシームレスに適応することを可能にする。
  論文  参考訳（メタデータ） (2024-12-17T04:11:30Z)
• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [29.760324699979417]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。 GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• 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)
• Deep Learning for Portfolio Optimization [5.833272638548154]
  個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。 我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
  論文  参考訳（メタデータ） (2020-05-27T21:28:43Z)

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。