前に書く
ACM SIGKDD 国際会議 (略称 KDD) は、ACM のデータ マイニングおよび知識発見委員会が主催するデータ マイニング研究分野のトップ年次会議であり、CCF クラス A の会議です。KDD 2023 は、2023 年 8 月 6 日から 10 日まで米国カリフォルニア州ロングビーチで開催される第 29 回国際データマイニング会議です。KDD 2022の全体的な合格率は18.3%です。この記事では、KDD 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:
多様な銘柄を効率的に組み合わせて株式市場をマスターする
トレーディングエキスパート
著者の所属:
南洋理工大学
論文リンク:
https://personal.ntu.edu.sg/boan/papers/KDD23_Stock.pdf
研究内容：
定量的な株式投資は、市況の正確な予測と収益性の高い投資決定に大きく依存する財務上の基本的なタスクです。深層学習 (DL) の最近の進歩により、株式市場の確率的な取引機会を捉える優れたパフォーマンスが示されていますが、既存の DL 手法のパフォーマンスはネットワークの初期化やハイパーパラメーターの選択に敏感で不安定です。既存の研究の主な制限は、投資決定が不確実性の高い単一のニューラル ネットワーク予測モデルに基づいて行われることであり、これは実際の商社のワークフローと矛盾しています。この制限に対処するために、著者らは、成功している商社の効率的なボトムアップ階層取引戦略設計ワークフローをシミュレートするクオンツ投資用の新しい 3 段階の専門家ミックス (MoE) フレームワークである AlphaMix を提案しています。第 1 段階では、著者らは、パーソナライズされた市場の理解と取引スタイルを備えた複数の取引専門家グループをトレーニングするための、従来のアンサンブル手法と比較して計算コストとメモリ コストが大幅に低い効率的なアンサンブル学習手法を導入します。第 2 段階では、取引専門家のプールを確立することにより、ポストホック アンサンブル構築のためのニューラル ネットワークのハイパーパラメータ レベルと初期化レベルの多様性を使用して、多様な投資推奨事項が収集されます。第 3 段階では、ポートフォリオ マネージャーの責任を担うエキスパートをエキスパート プールから動的に選択するために、必要に応じたアダプター、代替選択、および統合エキスパート プールという 3 つの異なるメカニズムが設計されます。米国と中国の株式市場での広範な実験を通じて、AlphaMix は 7 つの一般的な金融指標で多くの最先端のベンチマーク モデルを大幅に上回るパフォーマンスを実証しました。
モデルフレームワーク
実験結果
論文のタイトル:
強化学習による相乗的な数式アルファコレクションの生成
著者の所属:
中国科学院大学、ファーウェイ
論文リンク:
https://arxiv.org/pdf/2306.12964.pdf
コードリンク:
https://github.com/RL-MLDM/alphagen/
研究内容：
クオンツ取引の分野では、生の過去の株価データを市場トレンドの指標に変換することが一般的であり、これらのシグナルはアルファ要素と呼ばれます。式の形式で表現されたアルファはより解釈しやすいため、リスクを懸念する専門家に好まれます。実際には、モデリングの精度を高めるために定式化されたアルファのセットが一緒に使用されることが多いため、うまく連携して機能する定式化されたアルファのセットを見つける必要があります。ただし、従来のアルファ ジェネレーターのほとんどは、アルファが後で結合されるという事実を無視して、アルファを個別にマイニングします。この論文では、著者らは、協調アルファ セットを優先的にマイニングする、つまり、下流の結合モデルのパフォーマンスを直接使用してアルファ ジェネレーターを最適化する、新しいアルファ マイニング フレームワークを提案します。提案されたフレームワークは、強化学習 (RL) の強力な探索機能も活用して、定式化 alpha の広大な探索空間をより適切に探索します。結合モデルのパフォーマンスへの寄与は、RL プロセスで使用されるリターンとして指定され、アルファ ジェネレーターが現在のアンサンブルを改善するより良いアルファを見つけるように駆動されます。現実世界の株式市場データの実験的評価により、株式トレンド予測における提案されたフレームワークの有効性と効率性が示されています。投資シミュレーションの結果は、提案されたフレームワークが以前のアプローチよりも高い収益を達成できることを示しています。
モデルフレームワーク
イールドカーブのバックテスト
論文のタイトル:
金融における最適な複数注文執行のためのマルチエージェントの意図を認識したコミュニケーションの学習
著者の所属:
上海交通大学、マイクロソフト リサーチ アジア
論文リンク:
https://arxiv.org/pdf/2307.03119.pdf
研究内容：
注文執行はクオンツ ファイナンスにおける基本的なタスクであり、特定の資産に対する一連の取引注文の購入または清算を完了することを目的としています。モデルフリー強化学習 (RL) の最近の進歩により、注文実行の問題に対するデータ駆動型のソリューションが提供されます。ただし、既存の作業は常に単一の注文の実行を最適化し、同時に実行される複数の注文の実際の状況を無視するため、準最適性とバイアスが生じます。本稿では、著者らはまず、実際的な制約を考慮した多順序実行のためのマルチエージェント RL (MARL) 手法を提案します。具体的には、各エージェントを独立したオペレーターとして考慮し、全体的な利益を最大化するために相互にコミュニケーションと協力を維持しながら特定の注文を取引します。ただし、既存の MARL アルゴリズムは通常、観測情報の一部のみを交換することでエージェント間の通信を実現するため、複雑な金融市場では非効率的です。次に、コラボレーションを改善するために、著者らは、エージェントが期待されるアクションを伝達し、それに応じて最適化できるようにする、学習可能なマルチラウンド通信プロトコルを提案します。これは、元の学習目標と一貫性がありながらもより効率的であることが証明できる、新しい行動価値帰属方法を通じて最適化されています。2 つの実際の市場データに関する実験結果は、提案された方法が大幅に優れたコラボレーションと優れたパフォーマンスを達成することを示しています。
モデルフレームワーク
論文のタイトル:
DoubleAdapt: 株価動向予測のための増分学習へのメタ学習アプローチ
著者の所属:
上海交通大学
論文リンク:
https://arxiv.org/pdf/2306.09862.pdf
コードリンク:
https://github.com/SJTU-Quant/qlib
研究内容：
株価動向予測はクオンツ投資の基本的なタスクであり、価格動向を正確に予測することが不可欠です。オンライン サービスとして、在庫データは時間の経過とともに届き続けます。将来株式市場で繰り返されるいくつかの新しいパターンを明らかにする可能性のあるデータの最新の増分を使用して予測モデルを更新することは実用的かつ効率的です。しかし、株価動向予測のための増分学習は、分布シフト (別名概念ドリフト) という課題のため、依然として十分に研究されていません。株式市場が動的に発展するにつれて、将来のデータの分布は増分データと若干または大幅に異なる可能性があり、増分更新の有効性が妨げられます。この課題に対処するために、著者らは DoubleAdapt を提案します。DoubleAdapt は、データとモデルを効率的に適応させて配布の変化の影響を軽減できる 2 つのアダプターを備えたエンドツーエンドのフレームワークです。著者らの重要な洞察は、収益の更新に有利な局所的な静的分布に株式データを適応させる方法を自動的に学習することです。データ適応を通じて、分布シフトを軽減しながらモデルパラメータを確実に適応させることができます。著者らは、各増分学習タスクをメタ学習タスクとして扱い、アダプターを自動的に最適化して理想的なデータ適応とパラメーター初期化を実現します。現実世界の株式データセットでの実験では、DoubleAdapt が最先端の予測パフォーマンスを達成し、かなりの効率を示すことが示されています。
モデルフレームワーク
バックテストのパフォーマンス
「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。
