Core Concepts
本論文は、株式市場の複雑性を捉えるために強化されたトランスフォーマーアーキテクチャを提案し、これを用いて株式市場の将来収益を正確に予測する新しい要因を設計している。
Abstract
本論文は、株式市場の複雑性に取り組むための強化されたトランスフォーマーアーキテクチャを提案しています。
まず、伝統的な機械学習アプローチでは、様々な市場変数を完全に捉えることができず、長期的な情報を無視し、利益につながる重要なシグナルを捉えきれないことが課題として指摘されています。
そこで本論文では、感情分析からの転移学習を活用することで、長期依存性の捕捉や複雑なデータ関係のモデル化といった本来の利点を活かしつつ、数値入力のタスクを解決し、一定期間の将来収益を正確に予測することができる強化されたトランスフォーマーアーキテクチャを提案しています。
具体的には、2010年から2019年までの中国資本市場の4,601銘柄の500万件以上のデータを収集し、提案モデルの性能を検証しています。その結果、提案モデルは従来の100の要因ベースの量的取引戦略と比較して、より低いターンオーバー率と堅牢な半減期を持ち、株式トレンドの予測精度が優れていることが示されました。
特に、トランスフォーマーを使ってファクターを構築し、市場センチメント情報と組み合わせることで、取引シグナルの精度が大幅に向上することが明らかになりました。これは、量的取引戦略の未来に有望な示唆を提供するものです。
Stats
株式市場の収益率の範囲は概ね(-10%, 10%)であり、一部の値は(-100%, 100%)の範囲外にあることが示されている。
株式の平均売買代金回転率の範囲は概ね(0, 100%)であり、一部の値は(0, 200%)の範囲外にあることが示されている。