Simple Science

最先端の科学をわかりやすく解説

# 計量ファイナンス# トレーディングと市場マイクロストラクチャー

研究を発表するための明確な道筋

研究論文を効果的に準備して提出するための基本的なステップを学ぼう。

― 1 分で読む


研究出版のマスター研究出版のマスター研究論文の出版の基本をマスターしよう。
目次

研究論文を出版するのは複雑に思えるかもしれないけど、そんなことはないよ。このガイドは、特に会議やジャーナルに提出する時のために、自分の研究を準備して提出する方法を明確にすることを目的としているよ。これらのステップに従えば、プロセスが楽になり、論文が受理される可能性も高くなるよ。

論文の準備

論文を準備する時は、次のことを考えてね:

  1. フォーマット:出版に必要な正しいフォーマットになっていることを確認して。ほとんどの論文はダブルカラムで、標準サイズの用紙に印刷する必要があるよ。一般的にはアメリカのレターサイズ(8.5 x 11インチ)が使われる。

  2. 余白:指示された特定の余白を使ってね。通常、上の余白は他の余白より広く取られる。ほとんどの論文では、最初のページの上余白は1.25インチ、続くページは0.75インチが一般的。左、右、下の余白は普通0.75インチ。

  3. フォントとサイズ:読みやすいフォント(Times New RomanやNimbusなど)を使って。サイズは一般的に10ポイントで、行間は12ポイントが良いよ。全てのテキストは黒にして、色の使用は避けてね。

  4. タイトルと著者:論文のタイトルは明確で、最初のページの中央に配置してね。タイトルの下に著者の名前と所属を書いて、出版の特定の要件に沿ったフォーマットになっているか確認して。

論文のセクション作成

論文を明確なセクションで整理してね。一般的な構成はこんな感じ:

  1. 要約:これは研究の簡潔な要約だよ。ここでは引用は避けて、短くまとめてね。

  2. イントロダクション:問題を概説して、背景情報を提供して。研究の目的をはっきり述べてね。

  3. 方法論:研究をどう実施したかを説明して。このセクションは他の人が理解して再現できるくらい詳しくしてね。

  4. 結果:研究の成果を示して。わかりやすくするために表や図を使って、必要なフォーマットガイドラインに従ってね。

  5. 考察:結果を解釈して。その意義や前の研究との関連を議論してね。

  6. 結論:主要な発見をまとめて、今後の研究の方向性を提案して。

  7. 参考文献:論文内で引用した全ての情報源を含めて。フォーマットに従って一貫性を持たせてね。

図と表

図や表は論文をより良くすることができるよ。以下のポイントに注意してね:

  1. 配置:図や表は最初に参照する場所に置いて。論文の終わりにまとめて置かないように。

  2. キャプション:各図と表には番号を付けて(例:図1、表1)、それぞれの下に明確なキャプションをつけて。キャプションは他のテキストと同じフォントサイズにしてね。

  3. クオリティ:全てのグラフィックは高解像度であることを確認して。画像の場合は少なくとも300dpi、JPG、PNG、PDFなどのフォーマットが良いよ。

  4. :図で色を使う場合は、グレースケールでも読みやすいようにしてね。印刷版は黒と白だけになるかもしれないから。

引用

引用は元の著者にクレジットを与えて、あなたの研究を正当化するのに役立つよ。引用の際のガイドラインはこんな感じ:

  1. 本文中の引用:情報源を言及する時は、著者の姓と発行年を含めて。著者が複数いる場合は適切に一覧してね。

  2. 参考文献リスト:論文の最後には、全ての引用の詳細を含めた参考文献リストを作って。

確認と編集

提出する前に、論文を見直す時間を取ってね:

  1. 校正:スペルと文法のミスをチェックして。アイデアが論理的に流れているか、文章が明確かを確認して。

  2. フォーマット:論文が全てのフォーマットガイドラインに従っているか確認して。余白設定、フォントの使用、セクション見出しに気を付けてね。

  3. 一貫性:論文がメインの主張や論文に集中しているか確認して。無駄な逸脱は避けて。

  4. フィードバック:同僚からのフィードバックを考慮してみて。彼らは貴重なインサイトを提供してくれたり、見逃したエラーを見つけてくれたりするかも。

論文の提出

論文が完成したら、以下のステップに従って提出してね:

  1. 電子提出:ほとんどのジャーナルや会議では電子提出が必要だよ。与えられた指示をよく読んでね。

  2. ファイル名:提出ファイルの名前を適切に付けて、通常は最初の著者の姓を使う。

  3. 必要なファイルの確認:論文自体や補足資料、著作権フォームなど、必要なドキュメントを全て含めているか確認して。

  4. 提出確認:提出後は確認メールをチェックしてね。これで論文が受け取られたことが確認できるよ。

提出後の期待

論文が提出された後、評価プロセスを経るよ:

  1. 査読:論文は品質、独自性、重要性を評価するために査読者に送られるかもしれない。

  2. 修正要求:修正のリクエストを受けることが多いよ。変更をして再提出する準備をしておいて。

  3. 受理または拒否:審査の後、決定が通知されるよ。受理されたら、出版を最終確認するための指示が届く。

  4. 出版:最終的に論文が出版されて、あなたの研究が広いコミュニティに利用できるようになるよ。

結論

研究を出版するのは長いプロセスかもしれないけど、関わるステップを理解することで、スムーズに進められるよ。論文を丁寧に準備して、提出ガイドラインに従い、フィードバックにオープンであれば、成功する可能性が高まるよ。覚えておいて、各提出は自分の作品を共有して、研究分野に貢献するチャンスなんだ。

オリジナルソース

タイトル: EarnHFT: Efficient Hierarchical Reinforcement Learning for High Frequency Trading

概要: High-frequency trading (HFT) uses computer algorithms to make trading decisions in short time scales (e.g., second-level), which is widely used in the Cryptocurrency (Crypto) market (e.g., Bitcoin). Reinforcement learning (RL) in financial research has shown stellar performance on many quantitative trading tasks. However, most methods focus on low-frequency trading, e.g., day-level, which cannot be directly applied to HFT because of two challenges. First, RL for HFT involves dealing with extremely long trajectories (e.g., 2.4 million steps per month), which is hard to optimize and evaluate. Second, the dramatic price fluctuations and market trend changes of Crypto make existing algorithms fail to maintain satisfactory performance. To tackle these challenges, we propose an Efficient hieArchical Reinforcement learNing method for High Frequency Trading (EarnHFT), a novel three-stage hierarchical RL framework for HFT. In stage I, we compute a Q-teacher, i.e., the optimal action value based on dynamic programming, for enhancing the performance and training efficiency of second-level RL agents. In stage II, we construct a pool of diverse RL agents for different market trends, distinguished by return rates, where hundreds of RL agents are trained with different preferences of return rates and only a tiny fraction of them will be selected into the pool based on their profitability. In stage III, we train a minute-level router which dynamically picks a second-level agent from the pool to achieve stable performance across different markets. Through extensive experiments in various market trends on Crypto markets in a high-fidelity simulation trading environment, we demonstrate that EarnHFT significantly outperforms 6 state-of-art baselines in 6 popular financial criteria, exceeding the runner-up by 30% in profitability.

著者: Molei Qin, Shuo Sun, Wentao Zhang, Haochong Xia, Xinrun Wang, Bo An

最終更新: 2023-09-22 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2309.12891

ソースPDF: https://arxiv.org/pdf/2309.12891

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。

著者たちからもっと読む

類似の記事