ニューラルネット - ページ 21

[tampa]

BPNN予測器

[John Seekers]

株式市場のリターンの予測は、金融の重要な課題である。この論文の目的は、artificial ニューラルネットワーク（ANN）を使用した場合の収益性を調査することである。この研究では、ANNの予測は単純な取引戦略に変換され、その収益性は単純なバイ・ホールド戦略に対して評価される。我々は、ニューラルネットワークの アプローチを採用し、台湾ウェイトインデックスとアメリカのS&P500を分析した。その結果、ANNに基づく取引ルールは、買い持ち越し戦略よりも高いリターンを生み出すことがわかった。

[myname]

tampa_:

BPNN予測器

未来のデータを使っているのでは？

[John Seekers]

人工神経回路網は、適応能力や学習能力、汎化能力、データのクラスタリングや整理能力といった特定の特性を持ち、並列処理に基づく演算モデルとして最も適切に特徴づけることができる。しかし、上記の特性の多くは既存の非ニューラルモデルに起因しており、興味深い問題は、ニューラルネットワークのアプローチが既存のモデルよりもどの程度あるアプリケーションに適しているのかということである。

[John Seekers]

電子市場が様々な金融資産の取引所として人気を集めるようになり、computer ベースのアルゴリズム取引も世界中の金融市場で圧倒的な強さを誇っています。アルゴリズム取引が金融市場に与える影響を特定し、理解することは、市場運営者や規制当局にとって重要な課題となっています。我々は、トレーダーの行動を、観察された取引行動を引き起こした可能性の高い報酬関数という観点から特徴づけることを提案する。我々のアプローチは、トレーディングの決定をマルコフ決定過程（MDP）としてモデル化し、最適な決定方針の観測結果を用いて報酬関数を求めるものである。これは逆強化学習(IRL)と呼ばれるものである。トレーダーの行動を特徴付けるための我々のIRLベースのアプローチは、オーダーブックダイナミクスの主要な経験的特性を捉え、なおかつ計算しやすいという2つの望ましい特性のバランスを取っている。線形計画法に基づくIRLアルゴリズムを用い、E-Mini S&P 500先物市場のシミュレーション実験において、高頻度取引と他の取引戦略を90%以上の分類精度で識別することができました。これらの実証実験の結果は、高頻度取引戦略を個々の取引行動の観察に基づいて正確に識別し、プロファイリングできることを示唆している。

[John Seekers]

マーケティング研究において、マーケティング手段の市場占有率への効果を研究するために、魅力度モデルは非常によく知られている。しかし、これまでのマーケティング文献では、誘引値に対する閾値効果や飽和効果を除外した、ある関数形を持つ誘引モデルしか検討されていない。ここで紹介するニューラルネットに基づくアプローチを用いることで、より高い柔軟性を実現することができる。このアプローチでは、隠れ層が1つのパーセプトロンによってブランドの魅力値を評価する。このアプローチでは、対数比変換された市場シェアを従属変数として用いる。確率的勾配降下法と準ニュートン法によってパラメータを推定する。店舗レベルのデータでは、ニューラルネットモデルがより良いパフォーマンスを示し、よく知られた多項ロジット誘引モデルとは質的に異なる価格反応を意味する。また、ニューラルネットの誘引モデルの価格弾力性は、最適価格の観点から具体的な経営上の示唆を与える。(著者抄訳)

[finimej]

最適化のプロセスをプログラム化するコードはありますか？ 最適化を自動化できるように。

ロジックを作成します。

0）は、週末にのみ行う。

1)パラメータを 0.200の範囲で設定し、ステップ1とする。

2）最適化の結果を得る

3) 利益率の結果を1.0桁に丸め、7.4=7、7.5=8とする。

4) プロフィット・ファクターの上位2レベルの範囲から、最も低い取引数を選択する。

5) 新しい設定をエキスパートEAに入れ、来週から実行する。

最適化の部分はコード化できるのでしょうか？

[John Seekers]

近年，アルゴリズムによる自動売買システム（trading）が，オートボット，ブラックボックス，エキスパートアドバイザーなどの形で，制度的な解決策として進展している。しかし、この分野では、これらのシステムの効率性を示す十分な証拠がある研究はほとんど行われていない。本論文では、最適化された遺伝的アルゴリズム・ニューラルネットワーク（GANN）モデルをサイバネティックな概念で実装した自動取引 システムを構築し、修正バリュー・アット・リスク（MVaR）フレームワークを用いてその成功度を評価したものである。サイバネティックエンジンには、円因果フィードバック制御機能と開発された黄金比推定器が含まれており、リスクプライシングモデルの開発において、あらゆる形式の市場データに適用することが可能である。本論文では、データ入力としてユーロと円の為替レートを適用している。この手法は、中央銀行の金融政策をリスク最小化戦略として含む機関の取引 およびボラティリティコントロールシステムとして有用であることが示されている。さらに、週内取引 戦略において30秒という時間枠で結果が得られ、比較的低いレイテンシー性能を提供している。その結果、リスクエクスポージャーは4～5倍削減され、最大可能成功率は96％となり、この分野でのさらなる研究開発の根拠となるものです。

[John Seekers]

人工ニューラルネットワークの研究は、生物学的な「処理」の原理を数学的なモデルに置き換えるという最初の試みに由来しています。人工ニューラルネットワークは、システムの進化を予測する暗黙のモデルを最速で生成することを目的としています。特に、ある種の行動や状況を認識し、それらをどのように考慮すべきかを「提案」する能力を経験から導き出すものである。この研究は、金融モデリングにおける人工ニューラルネットワークの使用に対するアプローチを示すもので、1エージェントモデル、マルチエージェントモデル、ポピュレーションモデルの構造的な違い（および意味合い）を探ることを目的としている。1母集団モデルでは、ANNは富の最大化を図るエージェントとともに予測装置として関与する（この場合、エージェントは予測するために非線形モデルに従って効用最大化を達成するように意思決定を行う）。一方、多母集団モデルでは、エージェントはあらかじめ定められたルールに従うのではなく、市場データの収集とともに自らの行動ルールを作り出す傾向が見られる。特に、1エージェントモデルと1母集団モデルの多様性を分析することが重要である。実際、1母集団モデルの構築では、市場の均衡を内生的に示すことが可能であるが、1エージェントモデルでは、すべての環境特性が与えられたものとして扱われ、単一エージェントの制御を超えるため、不可能である。私たちが研究している特定のアプリケーションは、「顧客プロファイリング」に関するもので、（個人的かつ直接的な関係に基づいて）各顧客の「購買」行動を定義することができ、従来の統計的方法論よりも人工ニューラルネットワークが提供するような行動推測モデルの方がはるかに優れている<br / translate="no">。

[MegaLeads]

AI eaの効果はいかがですか？