オックスフォード大学の研究者 Martin Scholl は、エージェントベースのモデルを使用して市場生態学の研究を詳しく調査しました。効率的市場仮説のような仮定に依存する従来のアプローチとは異なり、ショールは新古典派金融で一般的に採用されている合理的期待均衡理論に異議を唱えています。同氏は、この理論ではすべての参加者が現実世界を完全に理解する必要があるが、個人投資家とファンドマネージャーの両方の認知限界を考慮すると非現実的だと考えている。その代わりに、生物学のツールを応用して現実世界の金融データを分析し、金融市場を理解する上で新たな視点を提供することを提唱しています。
Martin Scholl の研究は、エージェントベースのモデルを使用した市場生態学の研究に焦点を当てています。彼は金融市場をより深く理解するために生物学の概念を適用することで、伝統的な金融理論と仮定に挑戦します。ショールは、投資戦略を生物学の種と比較し、さまざまな戦略を分析し、市場メカニズムをシミュレートすることによって、金融市場の複雑さとさまざまな戦略間の相互作用を明らかにします。同氏の調査結果は、金融市場は密度に大きく依存しており、損失を回避し、この動的なエコシステムの餌食になるためには、投資戦略の適切なサイジングが重要であることを示唆しています。ショール氏の研究は、複雑なシステムとしての市場の性質についての貴重な洞察を提供し、株価はファンダメンタルズ情報のみを反映するという従来の見方とは対照的です。
00:00:00オックスフォード大学の Martin Scholl が、エージェントベースのモデルを使用した市場生態学に関する研究について説明します。彼は、効率的市場仮説のような一般的な仮定に焦点を当てるのではなく、新古典派金融で使用される合理的期待均衡理論を問題視していると説明します。なぜなら、この理論ではすべての参加者の理解が現実世界と一致することが要求されるからです。同氏はまた、金融文献には 300 を超えるファクター モデルがあり、使用するのに最適なモデルを決定することが困難であり、個人投資家とファンド マネージャーの両方の認知能力には物理的な限界があることも明らかにしました。さらに、金融市場をより深く理解するために生物学のツールを現実世界のデータに適用することの重要性についても説明します。
00:05:00 Martin は、エージェントベースのモデルを使用して市場生態学を研究する方法について説明します。同氏は、投資戦略は生物学における種に例えることができ、個人投資家は特定の種の個体に相当すると説明します。特定の戦略を使用して投資された富の合計は、その種の存在量または総個体数サイズとなります。ショール氏は、投資ゲームのおもちゃのモデルを導入しました。そこでは、エージェントはマネーマーケット口座に自分の富を残すか、配当金が支払われる株式に投資するかの選択が与えられます。このモデルは 1 つの銘柄で機能します。これは、ほとんどの場合に独自の清算価格を可能にする単純化された仮定です。ショールはまた、完全に合理的な投資家という新古典派の仮定についても言及し、このアプローチに対する反対を強調しています。
00:10:00 Martin Scholl は、生物学の比喩を使用して市場生態学の概念を説明します。彼は、市場のエージェントを参加理由に応じて分類し、戦略を定義する方法として超過需要関数を導入しました。彼は、シグナル関数が投資プロセスでどのように使用されるか、また、情報の取得と分析に基づいて、投資ファンドが異なるとどのように異なることに特化する傾向があるかを説明します。戦略の分割は、何かを最適化するために特定のニッチに特化することが有益である進化する市場において非常に重要です。
00:15:00 Martin Scholl は、市場生態学を研究するためにエージェントベースのモデルで使用されるさまざまな戦略について説明します。最初の戦略は、純資産価値を株式と現金に分割する完全に合理的な戦略です。バリュー投資家は配当の成長率を推定して予測を立て、将来の株価を理解するのに役立ちます。 2 番目の戦略は、最近の価格を見てそれらの傾向を推定するトレンド フォロワーに基づいています。最後に、このモデルには、流動性のニーズを満たすために市場に参入するものの、価格には敏感ではないノイズ トレーダーが含まれているため、彼らのシグナルは短い時間スケールではランダムに見えます。しかし、Buscher らの推定によると、平均値を逆転させるノイズ プロセスは、長い時間スケールで基本値に関連付けられており、ゆっくりと平均値に戻ります。
00:20:00 Martin は、エージェントベースのモデルを使用して市場メカニズムをシミュレートし、市場の生態を研究できるようにする方法を説明します。考えられる解決策は多数あるため、シミュレーションを分析的に処理することは困難です。したがって、ソフトウェア パッケージを使用して、さまざまな市場メカニズムをシミュレートします。モデルの異なる実行間で結果が比較できるようにするために、寄付金を修正します。彼らはまた、初期の寄付金をさまざまな種の個体に分配し、相対的な取り分を追跡します。彼らはシミュレーションを 200 年間実行し、各種の平均年間利益を調べました。彼らは、3 つの戦略すべてにおいて、たとえその種が最も豊富な地域ではないとしても、最も収益性の高い地域が少なくとも 1 つ存在することを観察しました。
00:25:00オックスフォード大学の Martin Scholl 氏は、価格が基本的な値から乖離し、配当プロセスのランダムな実現と導入されたノイズにより巨額の損益が生じるトレンド フォロワーを伴う実験について説明しています。このシステムは、設計の大部分を不安定でカオスな領域に費やし、大きな外れ値が斑点状のノイズを生成します。 2番目の実験では、投資家に利益の再投資が許可され、富が再分配される形で軌跡がシンプレックスで追跡されましたが、それらは特定された中心点に向かってかすかに収束し、代わりに左右に変動しました。このシステムは、特定された魅力的な固定点の周囲の領域で見つかる傾向があり、市場清算価格は取引日ごとに発表され、トレーダーの評価と価格に影響を与えます。
00:30:00 Martin は、トレンド フォロワー、バリュー投資家、ノイズ トレーダーによるシステム内の固定点を分析する際に、モンテカルロ実験を通じて得られるさまざまなフロー ラインについて説明します。線の太さは、戦略間で年間ベースで再分配される富の量を示しており、大量のトレンドフォロワーがシステム内でいかに巨額の損失を引き起こす可能性があるかを示しています。ショール氏は続けて、クラウディングはバリュー投資家とは異なる傾向にあり、トレンドフォロワーの集中が高まるとリターンのボラティリティが高まることを強調した。このシステムがトレンド追従から急速に離れていく根本原因は、投資家の合理性と配当プロセスにおける正の自己相関です。
00:35:00 Martin Scholl は、エージェントベースのモデルを使用して市場の生態を研究する方法と、金融コミュニティ マトリックスを構築する方法を説明します。ショールは、生物学の個体群動態で使用される捕食者と被食者のヴォルテラ方程式に類似しています。これは、異なる個体群の動態、つまり個体群サイズに基づいて異なる種がどのように相互作用するかを記述するために使用されます。彼は、この概念は金融市場にも適用でき、特定の戦略のリターンが個体群サイズとみなされ、個体群サイズの変化に対する 1 つの種のリターンの感度が群集マトリックスを表すことになると指摘しています。
00:45:00 Martin Scholl は、トレンド フォロワーの利点を短期間で論じています。トレンド フォロワーは、最高値で、または少なくとも価格が完全に暴落する前に売ることができるため、自分よりわずかに遅いトレンド フォロワーから恩恵を受けることができます。ただし、このモデルでは、トレンドフォローはシンプルであり、個人の戦略に関係なく、同じタイムスケールで動作します。ショール氏はまた、パッシブファンドやインデックストラッカーを特定の資産への富のコンセンサス配分を持つファンドとしてどのように表すことができるかについても議論しています。インデクサーの割合が高くなると、システムがより安定し、システム全体の速度が低下します。最後にショール氏は、種間の二項関係を理解するためにこれらの情報をすべて計算し、その結果食物網と呼ばれるものが生まれたと述べています。
00:50:00 Martin は、エージェントベースのモデルを使用した市場生態学の研究について説明します。ショールは、ノードがどのように異なる種であり、エッジがそれらの間の相互作用であるかを説明します。栄養レベルを使用して、どの種が最も利益レベルが低いか、つまり他の種を捕食しないのか、どの種が最も交通量が多いか、つまりどの種が他のすべての種を捕食して頂点捕食者にするのかを判断できます。ショール氏は、トラフィックレベルが密度に応じてどのように劇的に変化するのか、そしてバリュー投資家がノイズトレーダーを食い物にし、トレンドフォロワーが相関関係を悪用することで、各グループがどのように配当割引に従うのかを説明します。
00:55:00 Martin Scholl は、エージェントベースのモデルを使用して市場生態学を研究することの実際的な意味について説明します。市場の品質とミスプライシングに基づいた実験では、豊富な種を使用した単純な線形モデルが、市場の結果に影響を与えるさまざまな種類の捕食者の関係を記述するのに非常にうまく機能することが示されました。開発されたモデルにより、投資がどのように多次元であるかを観察することができ、戦略が市場の質にさまざまな影響を与えることが強調されます。ショール氏の研究によると、金融市場は密度に大きく依存しているため、投資家は損失を被ったり、自分自身が餌食になったりすることを避けるために、戦略を適切に設定する必要がある。このアプローチにより、株価が入手可能なすべての基本情報を反映すると考えられている従来の金融とは対照的に、市場をさまざまな条件に影響される複雑なシステムとして説明することができます。
01:05:00 Martin Scholl が、エージェントベースのモデルを使用して市場生態学を研究するアプローチについて説明します。ショール氏は、エージェントが自身の信念を彼のモデルに適応させることができるとは想定していません。市場操作には通常、何十年にもわたって目論見書に概説された戦略に従ってファンドマネージャーが関与しており、資産配分プロセスが機械的になる傾向があることを示しています。ショールは、モデリングにおいて適応性の低い行動や知性の低下に傾く傾向があります。しかし、オックスフォード大学の研究グループの他の研究者たちは、進化的アルゴリズムを適用して戦略のパラメーターを変更し、さらには新しい戦略を革新することに取り組んでいます。
Abstract: This talk presents a mathematical analogy between financial trading strategies and biological species and shows how to apply standard concepts fro...
00:20:00 Kevin Webster が、価格の影響がどのように会計上の損益を歪める可能性があるかを議論します。同氏は、トレーダーやプラットフォームマネージャーが日々どのように数値を監視しているのか、最終的な損益を過大評価し、取引終了時には損益が下がってしまっていることを説明しています。ただし、インフレ特性はリアルタイムで測定および表示できるため、トレーダーにとって実用的になります。ウェブスター氏は、損失のうちポジションのインフレ部分は一時的なことが多く、リスク許容度に依存すると指摘する。最後に、トレーダーが損益を計算する際に考慮する必要がある数学的設定、変数、数量について紹介します。
00:30:00 Kevin Webster は、モデルが意味をなすためには、ラムダとベータの間に裁定なしの条件が必要であり、また、自己資金調達方程式の条件も満たされる必要があると説明しています。彼はまた、取引終了時の予想損益を計算する方法と、取引フットプリントがどのように会計損益にバイアスをもたらすかについても詳しく説明します。最後に、ポジションのインフレ特性により、ポジションがエントリーフェーズ中にどのようにインフレートし、ホールドフェーズ中に留まり、最終的に蒸発するのかについて説明します。これらすべてはリアルタイムで取引画面上で観察できます。
00:35:00このセクションでは、財務専門家の Kevin Webster が、会計上の損益計算書で発生する価格への影響の歪みについて説明します。彼は、取引にアルファがない場合でもトレーダーがどのようにして利益のある取引を行うことができるかについて説明するとともに、取引コストのせいでこれらの利益は長くは続かず、トレーダーは損失を避けるためにこれらの価格の位置を早期に監視する必要があると警告しています。さらに、ポートフォリオ マネージャーはポートフォリオを全体として考えることを好み、数学金融の世界ではポートフォリオのサイズと回転率を制御するために固定ポートフォリオを定義していると彼は説明します。
00:40:00 Kevin Webster が、固定ポートフォリオの概念と、それを使用してトランザクションの実行コストを見積もる方法について説明します。プロパゲーターのタイムスケールを知ることで、トレーダーは自分のポジションがどれだけ膨らむか、またポジションを清算し始めた場合に失われる可能性がある利益の錯覚を推定できます。次にウェブスター氏は、経験的データに基づいてフレームワークをシミュレーションし、これらの公式が現実世界のシナリオに適用できることを強調しました。最後に、彼はフレームワークを投げ売りモデルに適用し、会計損益とファンダメンタルズ損益の違いと、それらがトレーダーのリスク回避に応じて異なる目的関数にどのように情報を与えることができるかを説明します。
00:45:00 Kevin は、投げ売り、または他の市場参加者の取引活動がトレーダーの損益とポジションにどのような影響を与える可能性があるかを議論します。彼は、積極的なヘッジがクラウディング効果とポジションのインフレを引き起こし、永久的な損失をもたらす可能性があることを実証しています。さらに、リスクを効果的に管理するには価格への影響を正確にモデル化することの重要性を強調し、流動性のないポジションに陥る前に流動性リスクを管理することの重要性を強調しています。最後に、さまざまな価格影響モデルが存在するものの、通常、データの大部分については一致していると彼は述べています。
00:55:00 Kevin Webster は、価格操作禁止の原則とは、たとえトレーダーが利益を得たとしても、最終的には蒸発してしまうため、利益を固定することはできないことを意味すると説明しています。プルーフ・ポジションのインフレにより、時間の経過とともに取引額が減少したり、即時に清算されたりする結果、損益がゼロまたはマイナスになる場合もあります。ポジションのインフレによって利益が永続的に得られないため、トレーダーは利益を得るために他の変数に依存する必要がありました。ウェブスターはさらに、初期の影響状態、市場の他の部分によって引き起こされる初期の影響、トレーダーのヘッジと市場の他の部分からの影響の間の相関関係についても議論しています。
01:00:00 Kevin Webster が、価格の影響が会計上の損益をどのように歪めるかについて語ります。同氏は、ボラティリティの高い流動性体制下での追加コストや市場の他の部分との相関関係がバイアスにかなり寄与する可能性があると説明する。規制の観点から見ると、社債や保険会社はこのバイアスの影響をより大きく受ける可能性があります。しかし、彼も認めているように、株式以外の特定の質問にどう答えるべきかわからないため、詳細な答えは持っていません。全体として、彼は価格への影響とそれがどのように損益を歪める可能性があるかについて数学的に理解を示しています。
Laura Leal (Princeton University) is our last speaker for the Fall 2021 seminar series. Her topic is called "Learning a Functional Control for High-Frequency...
Next up in the Cornell-Citi webinar series is Dr. Zihao Zhang, who spoke on Tuesday, Oct. 26.Abstract: Market by order (MBO) data - a detailed feed of indiv...
CFEM alumnus Vineel Yellapantula discusses his summer project at AbleMarkets under Prof. Irene Aldridge, “Quantifying Sentiment in SEC Filings.” By utilizing...
後のセクションでは、Carr と Lorenzo Torricelli が、共役パラダイムとロジスティック分布を使用した「ストップション」モデルを提案しています。このモデルは、単一のパラメーターで用語構造に柔軟性を提供し、さまざまな用語構造を一度に調整できるようにします。ただし、インプライド ボラティリティ グラフは下向きに傾いているため、市場に完全に適合しない可能性があります。著者らは、彼らのモデルの限界を認識しており、彼らのモデルが捉えることを目的としている金融における無数の二項演算を認識しています。彼らは、ストライクと単一オプションの間のオプション性、および擬似合計による反復オプション性について議論します。このセクションは、お互いのセミナーへの参加に対する相互の感謝と期待で終わります。
00:00:00 Peter Carr は、先物契約とプット オプションを組み合わせた新しい金融商品「ストップション」を紹介します。ストップには原資産と固定期間があり、毎日の監視があり、所有者は原資産の各価格変動を蓄積します。ストップオプションは、プットオプション要素のおかげで所有者が不利な価格変動を回避できるという点で先物契約とは異なります。プットはバミューダ語で、所有者はその日の価格変動を時間の関数として契約上指定された定数であるフロアに置き換えて、いつでもプットを行使できることを意味します。
00:35:00 Peter Carr は、関数内の 2 つの引数の組み合わせである疑似和の概念を説明しています。可逆関数を使用すると、この数量を使用して、フロアの擬似合計を繰り返すことで n ベースのオプションの値を見つけることができます。この方法を裁定取引のないものにするには、関数を慎重に選択し、その見返りに対するリスク中立の期待値として表す必要があります。 Carr は、このメソッドの生成子は任意の基数の対数でなければならず、スカラー b は正でなければならないことを明らかにしました。結婚プットも、自然対数 g 逆関数を使用して適切に評価する必要があります。これには、分布関数を取得するためにストライクに関して 2 回微分する必要があります。最終的に、この方法では、標準偏差ではありませんがそれに比例する b の比例係数に戻る必要があります。
00:45:00 Peter は、オプションとスワップの機能を組み合わせた契約である「ストップション」について説明します。停止には、あるロジスティック確率変数を別のロジスティック確率変数に交換することが含まれます。この場合、変数は独立しており、同一に分布しています。 n 日間の停止を評価するには、ロジスティック分布の幅を期間の長さに結び付ける t の関数 b を指定する必要があります。フロア付きのバミューダンストップの価値は簡単な式で求められ、評価とヘッジは分析的に行うことができます。 「アット・ザ・マネー」停止の場合、価値は単純な方法で、時間の対数によって増加します。
00:50:00 Peter Carr は、iid の増分を想定し、評価を反復関数評価に減らす「stoptions」価格設定モデルについて説明します。共通増分のロジスティック分布を仮定することにより、モデルは対数合計指数関数と呼ばれる特定の種類の擬似合計にさらに単純化されます。原証券の価格は、有限責任のため、実質かつマイナスにならないようにする必要があります。このモデルは株式にも拡張でき、オプション契約を再定義して、価格増分を追加するのではなく相対価格を乗算することができます。正の確率変数をサポートするために得られる分布は、共役パワー ディガムと呼ばれます。これは、負の歪度を持つヘビーテール分布であり、適切な選択となります。このモデルには将来的に研究の機会があり、連邦準備制度理事会との同期契約などの実用化に応用できる可能性があります。
Abstract: We introduce a new derivative security called a stoption. After paying an upfront premium, the owner of a stoption accrues realized price changes ...
00:00:00パルマ大学の Lorenzo Torricelli は、オプション関数とメリット ブースを評価するための関数の評価式から始めて、物流分布に基づいた財務モデルを紹介します。 k に関して導関数をとることにより、暗黙の証券価格分布が得られ、ロジスティック関数が実質価値の原資産に関連付けられていることがわかりますが、スキュー ロジスティックス分布はメリット プット評価から生じるプラスの価格プロセスに関連付けられています。 。分布の無限に分割可能な構造は時間族として考慮され、加算過程の存在が検証され、その結果、暗黙の価格分布をサポートし、ステートメントの式を決定する独立した増分を持つ確率的連続過程が得られます。
On April 13th, 2021, as part of the Cornell-Citi Financial Data Science Seminar Series, Lorenzo Torricelli explains his work on logistic models in conjunctio...
March 9, 2021CFEM alumna Yumeng Ding discusses her team capstone project, which was titled, “Interpreting Machine Learning Models.” By utilizing Machine Lear...
最初、ルイスと彼女のチームは辞書ベースのモデルを実験しましたが、その有効性には限界がありました。これに対処するために、彼らは Word to Back モデルや Finberg などの高度な手法を取り入れました。これは、企業の申告書に埋め込まれた文脈上のニュアンスを理解するのに重要であることが判明しました。さらに、単語の極性や複雑さ、xg ブースト モデルなど、さまざまな感情指標を採用して株価の動きを予測しました。
Silvia Ruiz will discuss her CFEM capstone project, which was titled, “How to Predict Stock Movements Using NLP Techniques.” By utilizing NLP techniques, the...
Full Title: "An Attempt to Understand Natural Language Processing And Illustration On A Financial Dataset"Speaker: Charles-Albert Lehalle (Capital Fund Manag...
Martin Scholl (オックスフォード大学): 「エージェントベースのモデルを使用した市場生態学の研究」
Martin Scholl (オックスフォード大学): 「エージェントベースのモデルを使用した市場生態学の研究」
オックスフォード大学の研究者 Martin Scholl は、エージェントベースのモデルを使用して市場生態学の研究を詳しく調査しました。効率的市場仮説のような仮定に依存する従来のアプローチとは異なり、ショールは新古典派金融で一般的に採用されている合理的期待均衡理論に異議を唱えています。同氏は、この理論ではすべての参加者が現実世界を完全に理解する必要があるが、個人投資家とファンドマネージャーの両方の認知限界を考慮すると非現実的だと考えている。その代わりに、生物学のツールを応用して現実世界の金融データを分析し、金融市場を理解する上で新たな視点を提供することを提唱しています。
市場の生態を調査するために、ショールは投資戦略を生物学の種に例え、個人投資家は特定の種の個人を代表します。特定の戦略を使用して投資された富の総額は、その種の存在量または総個体数サイズに匹敵します。ショール氏は、投資ゲームの玩具モデルで、エージェントが自分の富をマネーマーケット口座に残すか、配当金が支払われる株式に投資するかを選択できる簡略化したシナリオを導入しています。このモデルにより、さまざまな投資戦略の検討や、完全合理性という新古典派の仮定に対する反論が可能になります。
ショール氏は、市場の生態を研究するためにエージェントベースのモデルで採用されているさまざまな投資戦略を特定しています。 1 つ目は完全に合理的な戦略で、純資産価値を株式と現金に分割します。バリュー投資家は、配当の成長率を推定して将来の予測を立て、株価の将来を把握します。 2 番目の戦略には、最近の価格を分析して傾向を推測するトレンド フォロワーが含まれます。 3 番目の戦略には、流動性のニーズを満たすために市場に参入するものの、短期間では価格に敏感ではないノイズトレーダーが含まれます。ただし、それらの平均反転ノイズプロセスは、長い時間スケールの基本値に関連しています。
市場メカニズムをシミュレートし、市場の生態を研究するために、ショール氏と彼のチームは、ソフトウェア パッケージの助けを借りてエージェント ベースのモデルを利用しています。彼らは、賦与を固定し、異なる種の個体間で初期賦与を分割し、相対的なシェアを追跡することによって、モデルの異なる実行間の比較可能性を確保します。シミュレーションは 200 年間実行され、各種の平均年間利益を観察できます。興味深いことに、彼らは、各戦略には、その豊富さに関係なく、最も収益性が高い地域が少なくとも 1 つあることを発見しました。
ショール氏は実験で、トレンドフォロワーの行動と利益の再投資の影響を調べています。彼は、市場がその時間のほとんどを、大きな外れ値が存在する不安定で混沌とした領域に費やしており、その結果、斑点状のノイズが発生していることを観察しています。投資家が利益を再投資するとき、軌道は特定された中心点の周りで変動しますが、そこに向かって完全に収束するわけではありません。トレンドフォロワーの集中が高まると、リターンのボラティリティが高まります。ショール氏は、トレンド追従からの急速な脱却は、投資家の合理性と配当プロセスにおける正の自己相関によるものだと考えています。
ショール氏は、生物学で使用される捕食者と被食者のヴォルテラ方程式に似た、エージェントベースのモデルを利用して金融コミュニティのマトリックスを構築できると説明しています。特定の戦略の収益は個体群サイズと同等であり、個体群サイズの変化に対する収益の感度はコミュニティ マトリックスを表します。金融市場では、価格が均衡点から逸脱すると、さまざまな戦略間の競争が発生します。ショール氏は、金融市場は密度依存性を示しており、種の相互作用が生物系よりも複雑になっていると強調する。この密度依存性はバブルのような価格上昇のようなシナリオにつながりますが、そのような状況が非現実的であることは認められています。
市場生態学の文脈で、ショールは彼の発見の実際的な意味について議論します。彼は、豊富な種を使用してさまざまな種類の捕食者間の関係を記述し、それによって市場の結果に影響を与える線形モデルを提示します。このアプローチは、投資の多面的な性質を強調し、密度に大きく依存する金融市場での損失や餌食になることを回避するために戦略を適切にサイジングすることの重要性を示しています。これは、株価は入手可能なすべての基本情報を反映し、金融市場をさまざまな条件の影響を受ける複雑なシステムとして提示するという従来の見方に疑問を投げかけます。
ショール氏は、市場生態学を研究するためのエージェントベースのモデル内での単純な線形モデルの使用についてさらに詳しく説明します。同氏は、市場活動の保有高と相対的な豊富さを分析することで、このアプローチが、合理性を前提としてファンダメンタルズを自動的に変換する部門由来のモデルよりも優れていることを発見しました。しかし、彼は自分のモデルの限界を認めており、その現実性を高めるためにさらなる研究が必要であると強調しています。彼が取り上げている側面の 1 つは、特にトレンドフォローに関連した、さまざまなレシピや定義に対するモデルの感度です。彼のモデルでは配当が重要な役割を果たしていますが、現実世界の金融市場に対してより現実的な要素を組み込むには追加の手順が必要になります。
彼のモデルにおけるエージェントの信念の適応性に関して、ショール氏は、市場運営にはファンドマネージャーが目論見書に記載された戦略に長期間従うことがよくあると指摘している。これは、機械的な資産配分プロセスの傾向を示しています。その結果、ショールは、適応性の低い行動と知能の低いモデルをモデル化することに傾いています。しかし、オックスフォード大学の彼のグループの他の研究者が、パラメーターを変更したり、新しい戦略を革新したりするための進化的アルゴリズムの応用を積極的に研究していることを強調しています。
Martin Scholl の研究は、エージェントベースのモデルを使用した市場生態学の研究に焦点を当てています。彼は金融市場をより深く理解するために生物学の概念を適用することで、伝統的な金融理論と仮定に挑戦します。ショールは、投資戦略を生物学の種と比較し、さまざまな戦略を分析し、市場メカニズムをシミュレートすることによって、金融市場の複雑さとさまざまな戦略間の相互作用を明らかにします。同氏の調査結果は、金融市場は密度に大きく依存しており、損失を回避し、この動的なエコシステムの餌食になるためには、投資戦略の適切なサイジングが重要であることを示唆しています。ショール氏の研究は、複雑なシステムとしての市場の性質についての貴重な洞察を提供し、株価はファンダメンタルズ情報のみを反映するという従来の見方とは対照的です。
ケビン・ウェブスター: 「価格への影響が会計上の損益をどのように歪めるか」
ケビン・ウェブスター: 「価格への影響が会計上の損益をどのように歪めるか」
Kevin Webster は YouTube ビデオで、価格への影響が会計上の損益計算書 (P&L) をどのように歪めるかというテーマを掘り下げています。同氏は、リスクを効果的に管理するために価格への影響を正確にモデル化することの重要性を強調し、流動性の低いポジションが残らないようにするために流動性リスクを管理することの重要性を強調しています。ウェブスター氏は、さまざまな価格影響モデルが利用可能であることを認めていますが、データの大部分については一般的に一致しています。
講演は、価格への影響と流動性リスクの交差点について取り上げることから始まり、特に金融危機以前は主要市場の流動性が当然のことと考えられていたことを指摘しています。ウェブスターは、価格の影響がどのように利益の錯覚を生み出し、財務的価値から価格の乖離を引き起こすかを説明する強力な引用を共有しています。講演の目的は、この概念を数学的に定式化し、利益の幻想を排除するための清算の市場への影響の推定に基づく定量的な枠組みを提供することです。
ウェブスター氏は、価格への影響を取引の因果モデルとして説明し、より積極的な取引により価格がさらに上昇し、その逆も同様です。価格影響モデルは、取引コストの分析と最適な執行に広く使用されており、予想される取引コストを見積もり、執行戦略を最適化するための取引前ツールとして機能します。彼は、注文のスリッページを最小限に抑え、機械的な動きとアルファ スリッページの両方を考慮することに重点を置き、トレーダーがアルゴリズムのパフォーマンスを四半期ベースで評価できる模擬取引コスト分析レポートを紹介します。
講演者は、市場ストレス期間中の資産流動化のシミュレーションを含む流動性ストレステストに関して欧州証券市場局（ESMA）が発行したガイドラインについて説明します。リスクエクスポージャーを軽減するには、価格変動などの市場の反応をシミュレートし、ヘッジ戦略を採用することが重要です。ウェブスターは、カショーリ、ブシュロン、ファーマー、ESMA やバッフルド委員会などの規制委員会の著作を含む、流動性ストレステストと会計損益への価格の影響に関するさまざまな文献を参照しています。同氏は、会計上の損益に影響を与え、高額な清算コストをもたらす可能性のある状況を軽減するために、流動性ストレステストの必要性を強調している。
取引フットプリントの概念が導入され、会計上の損益に対する価格の影響を歪める影響を測定し、損益のさまざまな定義を結び付けます。ウェブスターは、カサディオ・ブシャール・ファーマー論文によって導き出された会計損益に関する重要な結論を説明するために、単純な投げ売りモデルを提示しています。彼は、数値トレーダーやプラットフォームマネージャーがどのようにして最終的な損益を過大評価し、取引が完了したときにデフレにつながるかを日々観察していることを説明します。ただし、このインフレ特性はリアルタイムで測定および表示でき、トレーダーに実用的な情報を提供します。ウェブスター氏は、ポジションインフレの損失は多くの場合一時的であり、リスク許容度に依存すると指摘する。
株式ポジションの評価に関する問題と、それが企業の損益に与える影響について説明します。ウェブスター氏は、株価のポジションをマークするためにどの価格を使用するかを決定する際のあいまいさと、会計上の損益と取引アルゴリズムで使用される基本的な損益の違いを強調しています。トレーディングフットプリントは会計損益とファンダメンタルズ損益の差として定義され、ポジションがクローズされると曖昧さが解消されます。講演者は、この性質が成り立つ特定の仮定を立てて、ポジションのインフレを調査します。衝撃モデルとその 2 つのケース、フリューヴィルスとボンドによって研究されたオリジナルの OW モルと W モルについても触れられています。
ウェブスター氏は、このモデルが意味をなすためには、自己資金調達方程式の条件とともに、ラムダとベータの間の裁定なし条件が満たされる必要があると説明しています。彼は、取引終了時の予想損益の計算と、取引フットプリントがどのように会計損益にバイアスをもたらすかについて詳しく説明しています。ポジションインフレ特性により、ポジションはエントリーフェーズ中にインフレートし、ホールドフェーズ中に留まり、最終的に蒸発します。これらすべての側面は取引画面上でリアルタイムに観察でき、トレーダーに貴重な洞察を提供します。
ウェブスター氏はさらに、価格の影響によって引き起こされる会計上の損益の歪みについて説明しています。彼は、アルファなしでもトレーダーがどのようにして収益性の高い取引を行うことができるかについて説明していますが、これらの利益は取引コストのせいで短命であると警告しています。損失を避けるためには、早い段階で価格変動を監視することが重要です。さらにウェブスター氏は、ポートフォリオマネージャーはポートフォリオを全体として見ることを好むと指摘し、数理ファイナンスの世界ではポートフォリオの規模と回転率を制御する定常ポートフォリオの概念を導入している。
次に、固定ポートフォリオの概念を、取引コストの推定に関連して検討します。プロパゲーターのタイムスケールを理解することで、トレーダーは自分のポジションがどの程度膨らむのか、またポジションを清算する際に失われる可能性がある利益の錯覚を見積もることができます。ウェブスターは経験的データを使用してフレームワークを実証し、現実世界のシナリオへの適用可能性を示しています。彼はフレームワークを投げ売りモデルに適用し、会計損益とファンダメンタルズ損益の違いを説明し、それらがトレーダーのリスク回避に基づいてさまざまな目的関数にどのように影響を与えるかを強調しています。
講演者は、投げ売りや他の市場参加者の取引活動がトレーダーの損益とポジションに及ぼす影響を詳しく掘り下げます。積極的なヘッジはクラウディング効果やポジションインフレを引き起こし、永久的な損失を招く可能性があります。価格への影響を正確にモデル化することは、効果的なリスク管理にとって極めて重要であり、非流動性ポジションに陥ることを避けるために流動性リスクの管理が重要視されます。
ウェブスター氏は、さまざまな価格影響モデルが利用可能であるものの、データの大部分については一般的に一致していることを認めています。ただし、影響の持続量と持続時間には差が生じる場合があります。一時的な脱臼は数日から1か月ほど続くことがあります。リスク管理の観点からは明確な行動方針がありますが、トレーダーとパフォーマンスの観点からは効果的なコミュニケーションが鍵となります。損益が機械的かどうかを理解し、機械的な部分を取り除くことで、トレーダーは取引の実際のアルファまたはエッジに集中できるようになります。
講演者は「価格操作禁止」の原則について説明し、トレーダーが利益を得たとしても、最終的には蒸発してしまうため維持できないことを強調した。ポジションのインフレは、時間の経過とともに取引額の減少または即時清算につながり、損益がゼロまたはマイナスになる場合もあります。したがって、トレーダーは持続可能な利益を生み出すために他の変数に依存する必要があります。ウェブスターは、初期の影響状態、市場の他の部分によって引き起こされる影響、トレーダーのヘッジと市場の他の部分からの影響の間の相関関係をさらに調査します。
結論として、ケビン ウェブスターは、価格への影響が会計上の損益をどのように歪めるかについて包括的な理解を提供します。同氏は、ボラティリティの高い流動性体制における追加コストと、それがより広範な市場との相関関係にあることを明らかにし、それがバイアスに与える影響を強調しています。規制の観点から見ると、社債や保険会社はこのバイアスの影響をより大きく受ける可能性があります。ウェブスター氏は、株式以外の市場については詳細な答えが不足していることを認めていますが、価格への影響とそれによる損益への潜在的な歪みを理解するための強固な数学的基盤を提供しています。
Laura Leal (プリンストン大学) - 「高頻度金融のための機能制御の学習」
Laura Leal (プリンストン大学) - 「高頻度金融のための機能制御の学習」
プリンストン大学の研究者である Laura Leal 氏は、高周波金融におけるディープ ニューラル ネットワークの応用について有益なプレゼンテーションを行いました。彼女は従来のソリューションの限界を強調し、この分野でニューラル ネットワークを利用する利点を探りました。レアル氏は、従来のモデルが苦手とする自己相関や日内の季節性などの複雑な要因に適応する能力を強調しました。ニューラル ネットワークを活用することで、トレーダーは市場への影響を最小限に抑え、スムーズな取引を行うことで最適な執行を実現できます。
ニューラル ネットワークのブラック ボックスの性質に関する懸念に対処するために、Leal は説明可能性の概念を導入しました。彼女は、ニューラル ネットワーク制御を低次元多様体に投影し、関連するリスクとよく知られたリスク セクターからの逸脱をより深く理解できるようにすることについて説明しました。チームは、古典的な閉形式 PDE (偏微分方程式) ソリューションと比較して、ニューラル ネットワーク制御のパフォーマンスを評価しました。彼らは、ニューラル ネットワーク アプローチの精度と有効性を評価するために、価値関数、時価評価による資産、予測の相対誤差を調べました。
Leal 氏は、ニューラル ネットワークのトレーニングの複雑さを掘り下げ、現実世界のデータと正確なダイナミクスを組み込むことの重要性を強調しました。彼女はまた、トレーダーがリスクの好みを入力できるようにするマルチプリファレンス コントローラーを提案し、新しい市場状況への迅速な適応を可能にしました。リスク回避パラメーターを考慮し、トレーダーの好みを組み込むことにより、ニューラル ネットワークは高頻度金融における確率的最適化問題の解決策を生成できます。
発表者は、リスク管理に使用されるニューラル ネットワークの構造について説明し、その反復性を強調しました。ネットワークはそれほど深くはありませんが、各タイム ステップで反復構造を採用し、重みを同時に更新します。ネットワークへの入力には時間と在庫が含まれますが、出力は制御自体であり、各タイム ステップで取引する最適な株式量を決定します。利用可能な金融データが限られているという課題に対処するために、転移学習が採用され、モンテカルロ法を使用してデータがシミュレートされます。
Leal は、線形回帰を使用してニューラル ネットワーク制御を線形関数空間に投影するプロセスの概要を説明しました。この射影手法により、ニューラル ネットワークの非線形関数と、その非線形関数と閉形式の制御ソリューションとの連携についての理解を深めることができます。その結果、季節性とリスク回避パラメーターを組み込むことが市場に対するモデルの反応に与える影響が実証されました。さらに、発表者はガンマの重要性を強調しました。ガンマは文献では通常 2 に設定されていますが、2 対 3 とすると非線形の解決策が示されました。
高頻度金融の取引実行におけるニューラルネットワーク制御の性能と精度が徹底的に評価されました。レアル氏は、価値関数、時価評価による資産、さまざまなシナリオとガンマ値にわたる予測の相対誤差を比較しました。ニューラル ネットワークは優れたパフォーマンスを示しましたが、取引は非線形な方法で実行され、既知の制御ソリューションから逸脱していました。このため、ニューラル ネットワークを使用して取引する決定と、確立されたソリューションからの乖離に基づいて適切な証拠金レベルを決定することについて疑問が生じました。
レアル氏は、トレーダーがリスク変換パラメーターを入力して、事前トレーニングされたモデルを使用してすぐに取引を開始できるようにする、マルチプリファレンス コントローラー アプローチの利点を検討しました。ニューラル ネットワーク ソリューションは、PDE ソリューションよりも実行に時間がかかりましたが、さまざまなリスク設定に対する柔軟性と適応性が向上しました。説明可能性を高めるために、Leal は線形回帰を使用した射影のアイデアを提案し、多重優先機能を維持しながら計算負荷を軽減しました。同氏はまた、ニューラル ネットワーク近似の概念のより広範な応用例を強調し、ヘッジなどの他の金融問題との関連性を示唆しました。
高頻度金融におけるニューラル ネットワークのトレーニング プロセスについて説明し、オンライン強化学習に伴う遅延の問題を回避するためのオフライン トレーニングに重点を置きました。ネットワークは、時間、在庫、および潜在的なリスク回避パラメーターを入力として受け取り、出力としてレートを生成します。 Leal 氏はまた、ネットワークが収束した後にシミュレートされたデータからトロント証券取引所から取得した実際のデータ増分に移行する転移学習の微調整手順についても説明しました。発表者は、高頻度金融の複雑さを捉えるネットワークの能力を強化するため、トレーニング プロセス中に実世界のデータと正確なダイナミクスを使用することの重要性を強調しました。
続くセクションでは、Laura Leal が、高頻度金融のニューラル ネットワークで使用される入力と目的関数についての洞察を提供しました。ニューラル ネットワークには、1 日の特定の在庫の平均数量の割合として在庫が組み込まれており、正規化された表現が可能になります。目的関数は最大化問題として構成され、出力は最適な実行のための制御として機能します。ニューラル ネットワークの構造は関数近似に基づいており、2 つの入力ノードと 4 つの隠れ層を利用して基礎的な関係を把握します。
2 つの管理ソリューション間の不一致に関する質問に答え、リール氏は、それが投資家の有用性の変化を反映していると解釈される可能性があると明らかにしました。ガンマ パラメーターを調整することにより、さまざまなユーティリティ関数を使用できるため、制御ソリューションが変化します。研究では、チームは実際のトレーダーによる経験的テストに基づいて 3 つの半分のガンマ値を選択し、満足のいくパフォーマンスが得られました。
Leal 氏はさらに、ニューラル ネットワークの出力が観察可能で分析可能であることを強調しました。ネットワークがとったポジションと、取引日を通じてそのポジションがどのように変化するかを監視し、意思決定プロセスに対する透明性と洞察を提供します。このレベルの解釈可能性と理解により、トレーダーはニューラル ネットワークの実行戦略に自信を得ることができます。
高頻度金融のための機能制御の開発に関連する課題についても、Leal 氏が議論しました。平均的な制御プロセスは取引実行に関する全体的な洞察を提供できますが、個々の軌跡の動作を正確に表していない可能性があります。ミーム株の出現などの市場のダイナミクスには、進化する状況を効果的に捉えるための制御手法の適応が必要です。
結論として、Laura Leal のプレゼンテーションは、高頻度金融の分野で効果的な管理を構築する際の複雑さに光を当てました。ディープ ニューラル ネットワークを活用することで、研究者やトレーダーは従来のモデルの限界を克服し、このドメインの複雑なダイナミクスに適応できます。リスクの選好、説明可能性の尺度、現実世界のデータを組み込むことにより、堅牢で適応性のある制御ソリューションの開発に貢献します。リールと彼女のチームは、その仕事を通じて、高頻度金融におけるより効率的で情報に基づいた意思決定への道を開く貴重な洞察とソリューションを提供します。
Zihao Zhang (オックスフォードマン研究所) - 「注文データごとの市場向けディープラーニング」
Zihao Zhang (オックスフォードマン研究所) - 「注文データごとの市場向けディープラーニング」
オックスフォードマン研究所の博士研究員であり、機械学習研究グループの一員である Zihao Zhang 氏は、深層学習を注文データごとの市場に適用するという彼のチームの最近の研究について紹介します。彼らは市場の微細構造データ、特に特定の金融商品の全体的な需要と供給のダイナミクスに関する貴重な洞察を提供する指値注文帳に焦点を当てています。 Zhang 氏と彼のチームは、注文ごとの市場データと指値注文帳のデータを組み合わせることで、シグナルの分散を低減し、より優れた予測シグナルを取得できることを発見しました。彼らのモデルのこの応用は、取引執行とマーケットメイク戦略を強化する可能性を秘めています。
Zhang 氏は、市場の微細構造データを簡単に紹介することでプレゼンテーションを開始し、特に注文ごとの市場データの重要性を強調します。このデータ ソースは、既存の文献でより注目されている指値注文ブック データと比較して、非常に詳細な情報を提供し、頻繁な更新やイベントを提供します。彼は同社の深層学習モデルを紹介し、注文ごとの市場データを分析するために同社が設計したネットワーク アーキテクチャについて説明します。 Zhang 氏は、彼らの研究が高頻度の動きを予測するための注文ごとの市場データを使用した最初の予測モデルを表しており、アルファ発見の可能性を広げる代替情報源を提供していることを強調しています。
次に、Zhang は指値注文帳の概念を詳しく掘り下げます。指値注文帳は、特定の時点での金融商品のすべての未処理の指値注文の包括的な記録として機能します。同氏は、チャート データは低頻度の情報を提供しますが、株価は実際には多変量時系列である指値注文帳によって表されることを強調します。 Zhang 氏は、指値注文ブックが発行された注文に基づいてさまざまな価格レベルにどのように編成され、各価格レベルがさまざまなトレーダーによってセグメント化された多数の小規模注文で構成されているかについて説明します。また、新しいメッセージが到着したときに注文帳がどのように更新されるかについても説明します。これにより、新しいポジションが導入されたり、既存の注文がキャンセルされたり、現在の注文が変更されたりする可能性があります。張氏は、指値注文帳から得られたデータによって、特定の金融商品の全体的な需要と供給の関係が明らかになる、と指摘し、彼の目的は、注文の発注とキャンセルに関する情報を含む注文ごとの市場データを利用することで追加の洞察が得られるかどうかを判断することであると指摘しています。予測を立てるためです。
今後、Zhang 氏は、市場の動きを予測するためにディープラーニングで注文ごとの市場データをどのように利用できるかを調査します。成行注文データのメッセージ文字列は、指値注文ブックに比べて次元が低いですが、予測に利用できる追加情報を提供します。 Zhang 氏は、過去のイベントを 2D マトリックスに変換して、予測のためにニューラル ネットワークに入力できる画像を形成する方法を説明します。畳み込み層から得られた特徴はリカレント ニューラル層に統合され、構造を学習して追加の依存関係を取得できます。最後の層は、しきい値リターンを使用した分類設定に基づいて予測を生成します。
Zhang 氏は、指値注文帳データを使用して予測を行うために使用されるネットワーク アーキテクチャについて説明します。この場合、最初の 2 つのコンポーネントは個々のトレーダーからのメッセージに置き換えられ、畳み込み層は LSTM 層またはアテンション層に置き換えられます。 Zhang は、単一点予測を容易にし、エンコーダ/デコーダ構造を伴うアテンション メカニズムを簡単に説明します。エンコーダーは入力時間から意味のある特徴を抽出し、それらを要約して隠れた状態にし、デコーダーは予測を生成します。正規化は、仲値に基づいて注文が買いか売りかを決定するために使用されます。
次のセクションで、Zhang は、一連のアセットを使用してトレーニングし、同様のスケールに正規化し、単純な線形モデル、多層パーセプトロン、LSTM、アテンション モデルなどのさまざまなモデルを使用してテストしたモデルの結果を示し、両方のリミット オーダーを組み込みます。本のデータと純粋な環境データ。結果は、アンビエント データからの予測シグナルが指値注文ブックからのシグナルとの相関が低いことを示しており、これら 2 つのソースを組み合わせることでシグナルの分散が減少し、多様化の恩恵を受け、優れた予測シグナルが得られることを示唆しています。したがって、両方のデータ型からの予測信号を平均するアンサンブル モデルが最高のパフォーマンスを示します。
Zhang 氏はさらに、マーケット・バイ・オーダー (MBO) データを予測に組み込むことの潜在的な利点について議論し、このデータを使用して特徴量エンジニアリングを実行できる機能を強調します。彼は、2 ～ 20 ティック先の範囲の予測期間の結果を提示し、50 ティック先と 100 ティック先でも同様の動作が観察されたことに注目しています。 Zhang 氏はまた、一般化を改善するためにすべての手段を使用して単一モデルをトレーニングする可能性や、ロンドン証券取引所からの MBO データのソースなど、聴衆からの質問にも答えました。 PNL ではなく NF1 に焦点を当てることについての聴衆の質問に答えて、Zhang 氏は、PNL が成功のより適切な尺度であることに同意し、認めています。
Zhang はさらに、予測信号の使用と、生の信号の使用やソフトマックス確率に基づくしきい値の設定など、予測信号を定義するためのさまざまな方法について説明します。同氏は論文の要点を要約しており、指値注文帳データの代わりにマーケット・バイ・オーダー（MBO）データをモデリングし、LSTM保持メカニズムを含む深層学習モデルをテストすることを提案している。この結果は、MBO と指値注文ブックのデータを組み合わせると最良の結果が得られることを示しています。 Zhang は、市場の動き間の自己相関、ノイズ取引の除去、指値注文ピクチャーのモデリングに CNN レイヤーを使用する動機などに関する聴衆の質問に答えます。
次のセクションでは、Zhang が、畳み込みニューラル ネットワーク (CNN) を使用して効果的に探索できる空間構造としてオーダーブックをどのように扱うことができるかを説明します。 CNN を使用して各価格レベルから情報を抽出することは、予測に有益であることが証明されています。長短期記憶 (LSTM) 層は、データの一時的な流れを維持し、予測を行うために過去のイベントを要約するため、多層パーセプトロンよりも選択されます。 Zhang 氏は、金融時系列の性質により、アテンション メカニズムを使用するメリットは限られていると指摘しています。この論文には、モデルで使用されているハイパーパラメータの詳細な説明が含まれています。
Zhang 氏は、ニューラル ネットワーク手法で使用される多数のパラメーターと、株式市場の予測におけるそれらの有効性に関する懸念に対処します。彼は、パラメーターの多さが批判の対象になり得ることを認めていますが、彼のチームがモデルに固有のパラメーターをいくつか微調整しただけであることを強調します。彼らはまだ買値と買値のスプレッドを成功の基準として使用することを検討していないが、さらなる探求の可能性は認識している。 Zhang 氏は、彼らのモデルが取引執行やマーケットメイク戦略にとって実用的な価値を持つと信じています。ただし、オーダーブックデータの頻繁な更新により取引執行が複雑になる可能性があるため、スプレッドをクロスする場合はデータのダウンサンプリングが必要になる可能性があると同氏は述べています。最後に、Elo 指値注文ブックをモデル化するとき、個々の注文サイズに関する情報を含めるのではなく、各価格レベルの合計サイズを集計します。
最後のセクションでは、Zhang 氏が注文による市場データと価格による市場データの違いについて説明します。注文ごとの市場データでは、個別の注文を追跡できますが、価格ごとの市場データでは不可能です。適切な特徴エンジニアリングを使用すると、注文ごとの市場データから追加情報が提供され、アルファが生成されます。 Zhang 氏はまた、サイズを変更せずに、特定の指値注文の価格の変更をモデルがどのように処理するかについても説明しています。価格が更新された新しいメッセージはそれぞれ新しい更新として扱われ、データセットが強化されます。
全体として、Zihao Zhang 氏のプレゼンテーションは、注文データごとの市場へのディープラーニングの応用を紹介し、市場の微細構造データから貴重な洞察を抽出する可能性を強調しています。 Zhang氏のチームは、注文ごとの市場データと指値注文帳のデータを組み合わせることで、シグナルの分散が減少し、改善された予測シグナルが生成されることを実証しました。彼らの研究は、取引執行とマーケットメイク戦略の強化を約束し、金融市場分析の分野に貴重な貢献をもたらします。
Vineel Yellapantula (Cornell MFE '20): "SEC 提出書類のテキストの定量化"
Vineel Yellapantula (コーネル大学 MFE '20): 「SEC 提出書類のテキストの定量化」
Vineel Yellapantula 氏は、特に MD&A セクションに焦点を当て、SEC 提出書類にあるテキスト情報に基づいて株式を取引するための自然言語処理 (NLP) 技術の適用に関する夏のプロジェクトを発表します。プロジェクトの目標は、米国市場に存在する 430 銘柄の各レポートにスコアを割り当て、スコアに基づいて株式を 5 つの分位数にグループ化してパフォーマンスを分析することです。 Yellapantula は、コサインや Jaccard 類似度などの伝統的な方法を利用してテキスト間の類似性スコアを決定し、Jaccard 類似度は時間の経過とともにより一貫していることが証明されます。また、テキスト データセット上で Keras を使用したリカレント ニューラル ネットワーク (RNN) を使用したセンチメント分析モデルの作成も検討し、モデルで 87.5% という驚異的な精度を達成しました。
プレゼンテーションの中で、Yellapantula 氏は、特定の問題ごとに適切な方法を選択し、結果を改善するために追加のデータを組み込むことの重要性を強調しました。彼は、テキスト データ、特に 10-K 出願内で入手可能な情報が豊富であることを強調し、以前の文書を使用して作成された要素は、現在の文書のみに依存するものよりも効果的である可能性があると述べています。 Yellapantula 氏は、glove、word2vec、BERT、RNN など、テキスト データを使用した深層学習技術を利用するためのさまざまな代替手段を指摘しています。同氏はさらに、モデルの予測力を高めるために、8-K 出願やニュースサイクルなど、より多くのデータソースを組み込むことを提案しています。ただし、2007 年から 2020 年にかけて指数に含まれる好成績を収めた銘柄に焦点を当てているため、同氏はこの研究に選択バイアスが存在することを認めています。
感情分析に特化したセクションでは、Yellapantula が Keras で RNN を使用してモデルを作成するプロセスについて説明します。この手順には、テキストの意味を理解するためのテキストのトークン化、埋め込みによる次元の削減、センチメント分類のためのシグモイド関数を備えた LSTM レイヤーと高密度レイヤーの採用が含まれます。彼は、IMDB レビューを使用して、レビューの長さを 500 ワードに制限し、一貫性を維持するために短いレビューにはゼロを埋め込んで、このアプローチの適用を示しています。厳格な評価により、Yellapantula は感情分析モデルで 87.5% の正解率を達成しました。
さらに、Yellapantula は、要因の有効性と経時的な一貫性を決定する際の情報相関の重要性を強調しています。同氏は、報告が安定している企業は業績が良い傾向にあることを示唆する研究に言及し、それが検討すべき有望な要素であることを示している。最後に、イェラパントゥラは視聴者に関心を寄せてくれたことに感謝の意を表し、今後の更なる関わりを期待しています。
Vineel Yellapantula のプロジェクトは、SEC 提出書類のテキスト情報から貴重な洞察を抽出するための NLP 技術の適用を実証します。レポートにスコアを割り当て、そのパフォーマンスを分析することで、彼の研究は、言語が株式取引にどのような影響を与える可能性があるかを理解するのに貢献しています。さらに、RNN を使用した感情分析の探求は、テキスト データから感情をキャプチャする際のディープ ラーニングの可能性を示しています。 Yellapantula 氏は、慎重な方法論の選択と追加のデータ ソースの組み込みを通じて、そのようなモデルの精度と有効性を向上させる機会を強調しています。
ピーター・カー（ニューヨーク大学）「ストップションズ」feat.ロレンツォ・トリチェッリ (パルマ大学)
ピーター・カー（ニューヨーク大学）「ストップションズ」feat.ロレンツォ・トリチェッリ (パルマ大学)
Peter Carr は、先物契約とプット オプションの機能を組み合わせた「ストップション」と呼ばれる金融商品を紹介します。ストップオプションを使用すると、バミューダのプット オプション要素を組み込むことで、所有者は不利な価格変動を回避できます。カー氏はオプションの概念を説明し、さまざまなフロアが関連付けられた 3 日間のオプションの例を示します。次に、彼は 1 日と 2 日の停止の評価について議論します。後者には 2 つのフロアがあり、初日または 2 日目のどちらかで行使できる柔軟性があります。
カーはさらに、後方再帰、マリッジ・プットの評価、および疑似合計の使用を掘り下げることによって、より長期間のストップ・バリュエーションを研究しています。彼は、ロジスティック分布を利用して、結婚プットオプションの価格変化を表現することを提案しています。ストップオプションの価値は、「アット・ザ・マネー」オプションの簡単な公式を使用して取得でき、評価とヘッジは分析的に行うことができます。
カー氏は、市場によるそのようなオプションの採用に伴う課題について論じて記事を締めくくっています。彼は、これらの製品の買い手と売り手を見つけることの重要性を強調し、潜在的な買い手と売り手との会話を共有します。さらに、Carr 氏は、ストップション モデルは Black-Scholes や Bachelier などの既存のモデルに代わるものであるが、あらゆる状況に最適に適合するわけではない可能性があることを認めています。それにもかかわらず、彼は、彼らのモデルが金融において特別な意味を持つ多数のバイナリ演算を捉えることを目的としていると強調します。
後のセクションでは、Carr と Lorenzo Torricelli が、共役パラダイムとロジスティック分布を使用した「ストップション」モデルを提案しています。このモデルは、単一のパラメーターで用語構造に柔軟性を提供し、さまざまな用語構造を一度に調整できるようにします。ただし、インプライド ボラティリティ グラフは下向きに傾いているため、市場に完全に適合しない可能性があります。著者らは、彼らのモデルの限界を認識しており、彼らのモデルが捉えることを目的としている金融における無数の二項演算を認識しています。彼らは、ストライクと単一オプションの間のオプション性、および擬似合計による反復オプション性について議論します。このセクションは、お互いのセミナーへの参加に対する相互の感謝と期待で終わります。
Lorenzo Torricelli (パルマ大学) - 「オプション価格設定における付加的なロジスティックプロセス」
Lorenzo Torricelli (パルマ大学) - 「オプション価格設定における付加的なロジスティックプロセス」
パルマ大学の著名な教授であるロレンツォ・トリチェッリは、相加的ロジスティックモデルと自己相似仕様を調査することで、オプション価格設定の複雑さを掘り下げています。彼の啓発的なプレゼンテーションでは、これらの革新的なモデルを使用してバニラ オプションの価格設定の公式を説明し、ロジスティック価格設定モデルと従来の通常モデルとの密度比較を示すことでその応用例を示しています。
さらに、Toricelli は、同次モデルの期間構造の線形回転に対するロジスティック モデルの累積期間構造のベンチマーク分析を実行します。彼の洞察力に富んだ観察により、ロジスティック モデルは用語構造の形成において大幅に柔軟性があり、したがって従来のアプローチに比べて注目に値する利点が得られることが明らかになりました。
包括的な理解を提供するために、Toricelli はこれらのモデルに関連するボラティリティ曲面も調査します。彼は、対数リターンの偏った分布とロジスティック分布の尖度から生じる正の偏りがモデルに存在することに注目しています。しかし、彼は、ロジスティック分布自体には対称性があるため、その分布自体には歪みがないことを強調しています。 Torricelli はさらに、モーダルパラメータがボラティリティ期間構造に及ぼす影響について議論し、選択したパラメータ化に改善の可能性があることを認めています。
結論として、Toricelli 氏は、これらのモデルから導出されたオプションの公式は明示的でよく知られており、実際の実装が容易であることを強調しています。特に、彼はパフォーマンス テスト中に実証された驚異的なスピードを賞賛しました。透明性と学術協力の証として、トリチェッリ氏は、これらのモデルに関連するコードを一般にアクセスできるようにし、研究者と実践者の両方に利益をもたらすことを計画しています。
ディン ユメン (コーネル大学 MFE '20) - 「機械学習モデルの解釈」
ディン ユメン (コーネル大学 MFE '20) - 「機械学習モデルの解釈」
熟練した研究者である Yumeng Ding は、株価予測のための機械学習モデルの解釈の領域を詳しく調査しています。彼女は包括的な分析で、部分依存プロット、順列特徴の重要度、エッジ統計、LIME などのさまざまな解釈可能性手法を調査して、これらのモデルの内部動作を明らかにしています。これらの手法を採用することで、丁氏は株価の予測における個々の要因の寄与とその相互作用を解明することを目指しています。
ディン氏の研究は、技術、品質、価値という 3 つのタイプの要素を中心に展開されており、これらは分類器や回帰などのさまざまな機械学習モデルの入力として利用されます。彼女は、前述の解釈可能性の手法を活用して、これらの要因と株価予測の間の複雑な関係を解明します。丁氏は、厳密なバックテストを通じて、非線形モデルがパフォーマンスの点で線形モデルを上回っていることを発見しました。さらに、彼女は、さまざまな要因の影響が一時的な変動を示すことを観察し、株価予測の動的な性質を強調しています。最終的に、Ding は AdaBoost が特定のシナリオに最適なモデルであると特定しました。
重要なのは、Ding 氏が機械学習モデルを理解する際の解釈可能性手法の重要性を強調していることです。彼女は、ベクトル アプローチは最も予測性の高いインタラクションについての迅速な洞察を提供しますが、これらのインタラクションの質を明らかにするには不十分であると強調します。 Ding 氏は、より単純な相互作用を効果的に視覚化するために 2 次元の部分依存プロットを採用することの価値を強調しています。さらに、彼女は、データにノイズが十分に含まれていない限り、個々の相互作用の複雑さを掘り下げて局所的な効果を視覚化するために、ライン プロット法を推奨しています。
調査結果を要約すると、Ding 氏はプロジェクトから 2 つの重要な点を強調します。まず、機械学習モデルは、複雑な相互作用効果を捕捉する能力により、ほとんどのシナリオで線形単純回帰よりも優れたパフォーマンスを発揮することを彼女は確認しました。第 2 に、彼女はさまざまな解釈方法を活用して機械学習モデルを解釈する実現可能性を強調しています。これらの技術により、研究者は要因の個々の寄与を解明し、予測に対するそれらの相互作用の影響を理解することができます。
Silvia Ruiz (コーネル大学 MFE '20): 「NLP 技術を使用して株価の動きを予測する方法」
Silvia Ruiz (コーネル大学 MFE '20): 「NLP 技術を使用して株価の動きを予測する方法」
コーネル大学 MFE プログラムを卒業したばかりの Silvia Ruiz が、NLP (自然言語処理) 技術を使用した株価の予測に焦点を当てたプロジェクトからの洞察を共有します。彼女のチームの研究の目的は、10-K レポートや 10-Q レポートなどの企業申告と、その後の株価への影響との関係を調査することでした。これを達成するために、彼らは S&P 500 の 5 つのセクターにわたる 50 社を網羅する 1,095 件のレポートからなる大量のデータセットを EDGAR Web サイトから収集しました。
最初、ルイスと彼女のチームは辞書ベースのモデルを実験しましたが、その有効性には限界がありました。これに対処するために、彼らは Word to Back モデルや Finberg などの高度な手法を取り入れました。これは、企業の申告書に埋め込まれた文脈上のニュアンスを理解するのに重要であることが判明しました。さらに、単語の極性や複雑さ、xg ブースト モデルなど、さまざまな感情指標を採用して株価の動きを予測しました。
彼らの予測の精度は、2 つの異なる時間枠にわたって評価されました。短期的には、彼らのモデルは 61% という驚くべき精度を達成し、長期的には 53% というかなりの精度を示しました。これらの予測を投資決定のシグナルとして活用することで、均等に加重されたポートフォリオを上回るパフォーマンスを示しました。しかし、ルイス氏は、発見の精度と一般化可能性を高めるために、さまざまな分野にわたるさらなる研究の必要性を強調しています。
Silvia Ruiz は、連絡先情報を惜しみなく提供し、Github 上のプロジェクトのリポジトリへのリンクを提供して、ディスカッションを締めくくりました。この取り組みにより、フォローアップの問い合わせが促進され、株価予測の分野における NLP 手法の理解と応用を進める上での協力が促進されます。
Charles-Albert Lehalle: 「自然言語処理を理解する試み」
Charles-Albert Lehalle: 「自然言語処理を理解する試み」
このビデオ プレゼンテーションでは、Charles-Albert Lehalle と彼のチームが金融分野における自然言語処理 (NLP) のアプリケーションを詳しく掘り下げています。彼らの議論は、センチメント分析、株価予測、取引コストモデリングという 3 つの主要分野を中心に展開されます。彼らは、埋め込みにおける過学習やバイアスのリスクなど、NLP に関連する課題を認識しており、マルチタスク学習や語彙の拡張などの潜在的な解決策を提案しています。チームは、金融業界における NLP の可能性と限界の両方を調査し、さまざまなセクター内の文脈と言語パターンを理解することの重要性を強調しています。
Lehalle と彼のチームは、NLP 技術を使用した独自の実験を紹介し、NLP がどのように情報を圧縮し、金融アナリストに有益な指標を提供できるかについて貴重な洞察を提供します。彼らは、分野固有の知識の要件や非構造化テキスト データから意味のある情報を抽出することの難しさなど、金融分野で NLP を採用する際の課題を強調しています。取引目的でのソーシャルメディアデータの活用など、金融におけるNLPの使用に関する倫理的懸念についても議論されています。
プレゼンテーション全体を通じて、Charles-Albert Lehalle はさまざまな NLP トピックに関する専門知識と知識を共有します。彼は金融における語彙ベースと埋め込みベースの NLP 手法の使用について説明し、テキスト データの語彙および確率的特徴を捕捉するための両方のアプローチの組み合わせを提案しています。埋め込み内の同義語と反意語を区別するという課題に対処し、Lehalle のチームはテキストの構造と感情を制御するための生成モデルを研究しています。埋め込みと、結合単語の分布を表す行列などの参照モデルを理解することの重要性が強調されます。
Lehalle は、NLP におけるコンテキストの重要性をさらに探求し、コンテキストに基づいて肯定的な単語と否定的な単語に対して埋め込みがどのように偏り得るかを議論します。彼は、参照行列モデルを構造化するためのマルコフ連鎖の使用について説明し、埋め込み内の同義語を識別する実験を紹介します。企業名とそれに関連する極性を取得する際の NLP の限界は、教師あり埋め込みのためのマルチタスク学習の提案とともに認識されています。講演者らはまた、ローラン・マクドナルド辞書における肯定的な単語と否定的な単語の不均衡や、金融文書における皮肉を処理する際の課題についても触れています。
プレゼンテーションは、コーネル大学ファイナンシャル エンジニアリングを最近卒業したシルビア ルイス氏によるプロジェクトの概要で終わります。このプロジェクトは、NLP 技術を使用して株価を予測することに焦点を当てており、具体的には、S&P 500 企業 50 社の 10-K および 10-Q 提出書類から経営陣のディスカッションセクションを収集し、感情を分析して株価への影響を評価します。 Lehalle 氏は、辞書ベースのモデルの限界について説明し、チームがどのように辞書を拡張し、FinBERT を使用してコンテキストを理解し、さまざまな機能を利用してセンチメントを測定したかについて説明します。これらは、短期的にも長期的にも、同じ加重のポートフォリオよりも優れたパフォーマンスを達成しました。
要約すると、Charles-Albert Lehalle と彼のチームは、金融における NLP の可能性と課題に光を当てました。これらは、NLP テクニックを効果的に適用するための洞察、実験、戦略を提供するとともに、テクノロジーと金融領域の両方に対する責任ある使用と深い理解の重要性を強調します。