論文の概要: Machine Learning vs. Randomness: Challenges in Predicting Binary Options Movements

• arxiv url: http://arxiv.org/abs/2511.15960v1
• Date: Thu, 20 Nov 2025 01:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.414817
• Title: Machine Learning vs. Randomness: Challenges in Predicting Binary Options Movements
• Title（参考訳）: 機械学習とランダム性 - バイナリオプション運動の予測における課題
• Authors: Gabriel M. Arantes, Richard F. Pinto, Bruno L. Dalmazo, Eduardo N. Borges, Giancarlo Lucca, Viviane L. D. de Mattos, Fabian C. Cardoso, Rafael A. Berri,
• Abstract要約: バイナリオプション取引は、予測モデルが一貫した利益を生み出す分野として販売されている。 しかし、2進オプションの固有のランダム性と性質は、価格運動を非常に予測できないものにしている。 この研究は、機械学習アルゴリズムがバイナリオプションの動きを予測する上で、単純なベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.5410454963232194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Binary options trading is often marketed as a field where predictive models can generate consistent profits. However, the inherent randomness and stochastic nature of binary options make price movements highly unpredictable, posing significant challenges for any forecasting approach. This study demonstrates that machine learning algorithms struggle to outperform a simple baseline in predicting binary options movements. Using a dataset of EUR/USD currency pairs from 2021 to 2023, we tested multiple models, including Random Forest, Logistic Regression, Gradient Boosting, and k-Nearest Neighbors (kNN), both before and after hyperparameter optimization. Furthermore, several neural network architectures, including Multi-Layer Perceptrons (MLP) and a Long Short-Term Memory (LSTM) network, were evaluated under different training conditions. Despite these exhaustive efforts, none of the models surpassed the ZeroR baseline accuracy, highlighting the inherent randomness of binary options. These findings reinforce the notion that binary options lack predictable patterns, making them unsuitable for machine learning-based forecasting.
• Abstract（参考訳）: バイナリオプション取引は、予測モデルが一貫した利益を生み出す分野としてしばしば販売される。 しかし、2進オプションの固有のランダム性と確率的な性質は、価格の動きを非常に予測不可能にし、予測アプローチにおいて重要な課題を提起する。 この研究は、機械学習アルゴリズムがバイナリオプションの動きを予測する上で、単純なベースラインよりも優れていることを示す。 2021年から2023年までのEUR/USD通貨ペアのデータセットを用いて、ハイパーパラメータ最適化の前後でランダムフォレスト、ロジスティック回帰、グラディエントブースティング、k-Nearest Neighbors(kNN)など、複数のモデルをテストした。 さらに、MLP(Multi-Layer Perceptrons)やLSTM(Long Short-Term Memory)ネットワークなどのニューラルネットワークアーキテクチャを、異なるトレーニング条件下で評価した。 これらの徹底的な努力にもかかわらず、どちらのモデルもZeroRのベースライン精度を超えておらず、バイナリオプションの本質的なランダムさを強調した。 これらの知見は、バイナリオプションには予測可能なパターンが欠けているという考えを強化し、機械学習ベースの予測には適さない。

関連論文リスト

• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。 長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。 提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• Constrained Online Two-stage Stochastic Optimization: Algorithm with (and without) Predictions [19.537289123577022]
  有限地平線上の長期制約付きオンライン2段階最適化をT$周期で検討する。 対戦型学習アルゴリズムからオンライン二段階問題のオンラインアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2024-01-02T07:46:33Z)
• Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
  重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。 BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。 提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
  論文  参考訳（メタデータ） (2023-10-23T17:32:38Z)
• A Neural Network Based Choice Model for Assortment Optimization [5.173001988341294]
  ニューラルネットワークアーキテクチャが、さまざまなコンテキストからデータセットの購入確率を予測することができるかどうかを検討する。 次に,既製の整数計画解法で解けるアソシエーション最適化の定式化を開発する。
  論文  参考訳（メタデータ） (2023-08-10T15:01:52Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Bias-Variance Tradeoffs in Single-Sample Binary Gradient Estimators [100.58924375509659]
  ストレートスルー (ST) 推定器はその単純さと効率性から人気を得た。 計算の複雑さを低く保ちながら、STよりも改善するいくつかの手法が提案された。 我々は、トレードオフを理解し、元来主張された特性を検証するために、これらの手法のバイアスとばらつきの理論解析を行う。
  論文  参考訳（メタデータ） (2021-10-07T15:16:07Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Beyond Point Estimate: Inferring Ensemble Prediction Variation from Neuron Activation Strength in Recommender Systems [21.392694985689083]
  Ensemble Methodは、予測不確実性推定のための最先端のベンチマークである。 予測のバリエーションは、様々なランダム性源から生じることを観察する。 本稿では,ニューロンの活性化強度の予測変動を推定し,活性化強度の特徴から強い予測力を示す。
  論文  参考訳（メタデータ） (2020-08-17T00:08:27Z)
• Neural Jump Ordinary Differential Equations: Consistent Continuous-Time Prediction and Filtering [6.445605125467574]
  我々は、連続的に学習するデータ駆動型アプローチを提供するNeural Jump ODE(NJ-ODE)を紹介する。 我々のモデルは、$L2$-Optimalオンライン予測に収束することを示す。 我々は,より複雑な学習タスクにおいて,モデルがベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T16:34:51Z)

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。