ナレッジライブラリ

本論文は、機械学習による株式オプションのトレンド予測と、その予測を取引に応用する後続研究について説明します。再帰型ニューラルネットワークと長短期記憶ネットワークを検討し、複数モデルを組み合わせることで予測がより良い意思決定に役立つかを評価します。また、予測手法の一部として、要旨で言及されている準可逆性法も適用します。…

この論文は、株式以外の資産を使う戦略が、S&P 500に連動するアルゴリズム投資戦略を分散できるかを研究しています。LSTM予測、ARIMA-GARCH予測、モメンタム、逆張りルールから得たシグナルを比較しています。対象資産には、エネルギー商品、貴金属、暗号資産、ソフトコモディティが含まれます。個々の資産を組み合わせるのではなく、それらの資産を取引する戦略を組み合わせるという観点から、分散の問題を捉え直しています。…

この論文は、大規模言語モデルが中国語の金融ニュースから有用なセンチメントシグナルを抽出できるかを検証する実験的枠組みを示しています。性能向上に向けた異なるアプローチを代表する3つのモデルを、企業関連ニュースの要約に適用しています。得られたセンチメント指標を候補となる定量ファクターとして扱い、言語出力だけを評価するのではなく、テキスト分析とポートフォリオ判断を結びつけています。…

この論文は、高頻度取引における統計的裁定取引に強化学習を用いる方法を検討しています。エージェントが取引環境との相互作用を通じて学習する仕組みを説明し、短命な市場機会に合わせて意思決定を調整する方法として深層Q学習に注目しています。また、探索と活用のトレードオフや、時間とともに動きが変わる金融市場で学習する難しさを論じています。…

この文書は、ペアトレードに用いる資産間の時間変化する関係を特定する深層学習の枠組みを説明しています。マルチモーダル時系列関係グラフ学習は、時系列観測と離散的な特徴量を時間グラフ上で組み合わせます。次に、メモリベースの時系列グラフニューラルネットワークが、関連するエンティティの特定を時間的リンク予測として扱い、自動的なペア選定に役立てることを目指します。…

この研究は、ポーランド株式にペアトレードの枠組みを適用し、別の相関性の高い資産と組み合わせる代わりに、リスク要因から構築した複製資産と比較します。主成分分析、上場投資信託、または長短期記憶ネットワークで要因を構築し、得られた残差をオルンシュタイン＝ウーレンベック過程でモデル化します。残差が十分速く平均回帰するポートフォリオについてシグナルを生成します。実装にはポーランドの株価指数構成銘柄と、無リスク金利や取引コストを含む現地市場の仮定を用います。…

この文書は、上場企業間のモメンタム波及を捉えることを目的とした株価変動予測手法を説明しています。企業とその経営幹部という2種類のエンティティで市場知識グラフを構築し、明示的な関係とエンティティ間の暗黙的なつながりを組み合わせます。…

この手法は複数の市場リスク要因を含む金融時系列の異常を検出します。汚染された観測値はリスクモデルとその指標を歪める可能性があります。まず主成分分析を適用して時系列データを圧縮・再構成し、系列を表す特徴量を抽出します。次にフィードフォワードニューラルネットワークが異常スコアを算出し、閾値を超えた観測値に異常の印を付けます。…

この研究は、確率的割引因子の枠組みにおけるポートフォリオ最適化に用いる市場状態表現を学習する、検索拡張型拡散モデルRADARを提案しています。その背景には、市場のレジームが変化すること、価格やニュースなどの金融入力にノイズが含まれること、従来の拡散モデルが状態ごとの不確実性の変化を反映しない一様なガウスノイズを課す可能性があることがあります。…

Tail-GANは、高次元のマルチアセット・ポートフォリオについて、分布の裾における損失に重点を置きながら、現実的な同時価格変動をシミュレーションするデータ駆動型シナリオ生成器です。Value-at-RiskとExpected Shortfallの同時識別可能性を利用し、これらのリスク特性を保持するよう敵対的生成ネットワークを学習させます。想定される用途には、シミュレーションした市場シナリオの下で静的および動的なトレード戦略を評価することが含まれます。…

この研究は、US株式の気配値と取引を集めた高頻度データベースに深層学習を適用し、オーダーブックの需給とその後の価格変化との関係をモデル化しています。価格と注文フローの履歴を用いて価格変動の方向を予測し、複数の銘柄と期間で性能を評価しています。モデルは資産ごとに個別学習するのではなく、多数の銘柄をまとめて学習します。…

この論文は、米国の卸電力市場における仮想入札について、リスク制約付きポートフォリオ最適化手法を提示しています。市場清算によって生じる依存関係を利用し、リカレントニューラルネットワークで時間帯間の地点別限界価格スプレッドを予測します。制約付き勾配ブースティング木で、ネット仮想入札に対するスプレッドの反応をモデル化し、ポジション自体が価格に与え得る影響を戦略に考慮させています。…

この文書では、天然ガス先物取引に実用的な深層強化学習手法を提示しています。戦略のシャープレシオはトレンドフォローや平均回帰のベンチマーク、および先行研究の結果を上回ると報告しています。また、モデルの安定性と頑健性を高めて取引成績の向上を目指すアンサンブル手法も導入しています。…

この文書では、4つのUS株価指数を対象とした深層LSTMモデルと取引戦略について説明しています。モデルが上昇または下落を予測したかだけで取引するのではなく、予測リターンが予測分布のどこに位置するかを使って取引の収益性を推定します。モデルは戦略の取引目的に合わせて調整されており、予測の質と取引ルールを併せて検討する必要性を示しています。 報告された検証対象は、2010から2018までのS&P 500、DJIA、NASDAQ、Russell…

この文書では、短期トレンドの量子長短期記憶（QLSTM）予測と量子非同期アドバンテージアクター・クリティック（QA3C）を組み合わせた、ロングオンリーのUSD/TWD取引エージェントについて説明しています。状態にはQLSTMの特徴量とテクニカル指標を用い、報酬はトレンドフォローとリスク管理を支援するよう設計されています。報告された設定では、系列長を4、QA3Cワーカー数を8とし、2000から2025までのデータを学習用とテスト用に分割しています。…

この文書は、企業間の関係性を示す代理指標としてCharacteristic Vector Linkagesを提案しています。特性を用いてつながりを推定し、まずユークリッド距離で類似性を測り、次にQuantum Cognition Machine Learningを適用して類似性を学習します。企業間のつながりを表現し、モメンタム波及型トレード戦略に役立てることが目的です。…

この文書は、統計的裁定のためのオンライン学習手法を紹介しています。一般的な非定常確率過程では成り立たない場合がある仮定に依存する平均回帰モデルベースの既存戦略と対比しています。提案する代替手法は、そうした仮定を必要とせずに運用することを意図しています。…

DeepTrustは、株価の極端な変動を説明する可能性のある情報を見つけて評価する枠組みです。処理は3段階です。過去の価格から機械学習で異常な値動きを検出し、検索状況に応じて変化するクエリを使ってTwitterから関連する非構造化情報を取得し、取得した内容の信頼性を評価します。評価では、ツイートの特徴、生成された文章の兆候、論旨の構成、主観性、感情を考慮し、信頼できる可能性のある投稿を少数に絞ります。…

この論文は、強気相場への参加を維持しながら、ポートフォリオをテール損失から守る動的戦略を説明しています。バリュー・アット・リスクの上限目標を設定し、分類器を使ってこのリスク閾値を超える確率を推定します。推定した超過確率を、テール事象をヘッジするための売買シグナルに変換します。…

この論文は、凸型スコア関数で表されるリスク目的を持つ意思決定問題のための強化学習の枠組みを提示しています。この枠組みでは、分散、期待ショートフォール、エントロピー型バリュー・アット・リスク、平均・リスク効用などの指標を表現できます。焦点は、時間の経過に伴ってこうした目的を扱えるようにすることです。リスク最適化には時間的不整合が生じる場合があり、早い時点で望ましい方策が、後の意思決定時点では望ましくなくなることがあります。…

この論文は、ある先物市場のモメンタム情報が、他市場のモメンタム予測に役立つかを調べています。商品、株式、債券、通貨の連続取引される契約64本について、価格から得たモメンタム特徴量を用いてネットワークを構築します。事前に企業間のつながりやその他の経済関係を指定する必要はありません。…

本研究は、連続行動型の強化学習手法であるTwin-Delayed Deep Deterministic Policy Gradient（TD3）を、Amazon株とビットコインの日次終値に適用します。売買行動は、取るポジションと取引する株数の両方を表し、離散行動を使う手法を拡張しています。本論文では、得られた戦略をテクニカル分析手法、他の強化学習手法、確率的戦略および決定論的戦略と比較します。…

本研究は、統計物理学に着想を得た手法で、レベル3の指値注文板データから価格ボラティリティと期待リターンを予測します。注文を物理系の要素として捉え、注文板の状態を表すため、運動エネルギーや運動量に似た指標を定義します。この手法は、最良気配値を超えた市場のミクロ構造を捉えることを目指します。…

本資料は、ネットワーク・モメンタムの機械学習フレームワークであるL2GMOMを紹介します。ネットワーク・モメンタムは、資産間の関係を使って将来リターンの予測を支援します。提案するフレームワークは、まずネットワークを構築し、その後別工程でポートフォリオを最適化するのではなく、金融ネットワークと売買シグナルを同時に学習します。ニューラルネットワークの構造はアルゴリズム・アンローリングに基づき、解釈可能とされています。負のシャープレシオを含む、さまざまなポートフォリオ成績の目的関数を利用できます。…