前に書く
AAAI 2023は、2023年2月7日から2月14日まで米国ワシントンDCで開催されます。この会議には合計 8,777 件の投稿があり、1,721 件の論文が採択され、採択率は 19.6% でした。この記事では、AAAI 2023に含まれるクオンツトレーディング関連の論文をいくつか紹介します。
論文のタイトル:
CNN と Transformer を使用した金融時系列予測
著者の所属:
JPモルガンのAI研究
論文リンク:
https://arxiv.org/pdf/2304.04912.pdf
研究内容：
時系列予測はさまざまな分野の意思決定に重要です。また、株価などの金融時系列は、データ ポイント間の短期および長期の時間依存関係をモデル化することが難しいため、予測が困難です。畳み込みニューラル ネットワーク (CNN) は、局所的なパターンを捉えるのが得意で、短期的な依存関係をモデル化するために使用されます。ただし、許容範囲が限られているため、CNN は長期的な依存関係を学習できません。一方、Transformer は、グローバル コンテキストと長期的な依存関係を学習できます。この記事では、著者は CNN と Transformer を利用して、短期および長期の依存関係を時系列で同時にシミュレートし、将来の価格が上昇するか、下落するか、または変化しない (固定的) かを予測することを提案します。著者らは実験で、一般的に使用されている統計手法や深層学習手法と比較して、S&P 500構成銘柄の日中の株価変動を予測する際に、提案手法が成功することを実証しました。
モデルフレームワーク
実験結果（傾向分類）
論文のタイトル:
PEN: より良い説明可能性で株価の動きを予測する予測説明ネットワーク
著者の所属:
中国人民大学ヒルハウス人工知能学院
論文リンク:
https://ojs.aaai.org/index.php/AAAI/article/view/25648/25420
研究内容：
現在、銀行、ヘッジファンド、資産運用会社の間では、監査や規制上の理由から、株価変動予測の解釈可能性に対する注目が高まっています。金融ニュースやソーシャルメディアの投稿などのテキストデータが株価の変動に部分的に関与している可能性があります。この目的を達成するために、著者らは、テキスト フローと価格フローを共同でモデル化し、調整する新しい予測説明ネットワーク (PEN) フレームワークを提案します。PEN モデルの主要なコンポーネントは、テキスト データと株価データの間の相互作用をシミュレートし、それらの相関関係を記述する顕著ベクトルを使用して、どのテキストが株価の変動に関連している可能性があるかを学習する共有表現学習モジュールです。このように、PENモデルは豊富な情報を識別して活用することで株価の動きを予測することができる一方、選択されたテキスト情報によって株価の動きを説明することもできます。実世界のデータセットでの実験では、一石二鳥であることが示されています: 精度の点では、提案された PEN モデルはベースライン モデルを上回っています; 解釈可能性の点では、PEN モデルは注意メカニズムよりもはるかに優れていることが証明されていますそして、重要なテキストを自信を持って選び出すことができます。
モデルフレームワーク
実験結果（分類精度、マシューズ相関係数）
論文のタイトル:
多目的多腕盗賊による最適な実行
著者の所属:
ロンドン大学
論文リンク:
https://ojs.aaai.org/index.php/AAAI/article/download/26945/26717
研究内容：
特定の株式の大きなポジションを清算しようとする場合、その株式の価格は取引の影響を受ける可能性が高く、その結果、ポジション全体を一度に売却すると期待される収益が低くなる可能性があります。これは、株価と市場リスクの最適なバランスを達成するために、一定期間にわたって販売注文を複数の小さな販売注文に分割することを目的とした最適化執行の問題を引き起こします。この問題は差分方程式の観点から定義できます。ここで著者らは、それを多目的問題として再構成し、新しい多腕バンディット アルゴリズムを使用してそれを解決する方法を示します。
アルゴリズム処理
論文のタイトル:
動的株価トレンドを予測するための逐次グラフ注意学習
著者の所属:
台北国立大学
論文リンク:
https://arxiv.org/pdf/2301.10153
研究内容：
株式市場は、企業と市場との複雑な関係によって特徴付けられます。この研究では、シーケンス グラフ構造とアテンション メカニズムを組み合わせて、時系列内のグローバルおよびローカル情報を学習します。具体的には、著者らが提案した「GAT-AGNN」モジュールは、単一業界内だけでなく複数の業界にわたるモデルのパフォーマンスを比較します。結果は、台湾の株式データセットにおいて、提案されたフレームワークが複数の業界にわたる株価動向の予測において複数のベンチマーク手法よりも優れていることを示しています。
モデルフレームワーク
実験結果（分類と回帰のパフォーマンス）
過去号の推奨読書
WWW 2023 | クオンツ取引に関する論文 (論文リンク付き)
KDD 2023 | クオンツ取引関連論文（論文リンク付き）
AAAI 2022 | クオンツ取引に関する論文 (論文リンク付き)
IJCAI 2022 | クオンツトレーディング関連論文（論文リンク付き）
WWW 2022 | クオンツ取引に関する論文 (論文リンク付き)
KDD 2022 | クオンツ取引関連論文（論文リンク付き）
解説: 株式市場予測における ChatGPT の応用
解釈: 概念間の共有情報をマイニングすることによる株価動向予測のためのグラフィカル モデル フレームワーク
解釈: 機械学習の予測収益モデルにはどのような指標を使用する必要がありますか?
解釈: オーダーフロー、テクニカル分析、ニューラルネットワークに基づく先物短期トレンド予測モデル
[Python Quantification] バックトレーダーをベースとしたディープラーニングモデル定量化バックテストフレームワーク
【Python Quantification】Transformerモデルを使った株価予測
[Python Quantification] 株価予測用の CNN-LSTM モデルを構築する
【Python Quantification】Pythonを使って株式世論分析システムを構築する
【Python Quantification】Informerを使った株価予測
[Python 定量化] DeepAR を使用した株価の多段階確率予測
「人工知能定量実験室」ナレッジプラネット
人工知能定量研究所のナレッジプラネットに参加することで、以下を入手できます: (1) 人工知能の定量的応用に関連する最新の研究結果を定期的にプッシュいつでもどこでも最新の最先端知識を理解できる証券会社、(2)公式アカウントの過去記事にPythonプロジェクトの完全なソースコードを掲載、(3)高品質なPython、機械学習、クオンツトレーディング関連電子書籍 PDF; (4) 高品質のクオンツ取引情報とプロジェクトのコード共有; (5) スターフレンドとコミュニケーションを取り、友達を作る 同じ志を持つ友達。(6) ブロガーに質問し、質問に答えます。
