論文の概要: Forecasting NIFTY 50 benchmark Index using Seasonal ARIMA time series models

• arxiv url: http://arxiv.org/abs/2001.08979v1
• Date: Thu, 9 Jan 2020 12:58:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:38:02.267705
• Title: Forecasting NIFTY 50 benchmark Index using Seasonal ARIMA time series models
• Title（参考訳）: シーズンARIMA時系列モデルを用いたNIFTY 50ベンチマークの予測
• Authors: Amit Tewari
• Abstract要約: ニフティ50指数の移動を捉えるために、季節自動回帰統合移動平均(SARIMA)モデルのクラスを適用した。 NIFTY 50は、ファンドポートフォリオのベンチマーク、インデックスファンドの立ち上げ、ETF(ETF)の交換、構造化製品など、さまざまな目的で使用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper analyses how Time Series Analysis techniques can be applied to capture movement of an exchange traded index in a stock market. Specifically, Seasonal Auto Regressive Integrated Moving Average (SARIMA) class of models is applied to capture the movement of Nifty 50 index which is one of the most actively exchange traded contracts globally [1]. A total of 729 model parameter combinations were evaluated and the most appropriate selected for making the final forecast based on AIC criteria [8]. NIFTY 50 can be used for a variety of purposes such as benchmarking fund portfolios, launching of index funds, exchange traded funds (ETFs) and structured products. The index tracks the behaviour of a portfolio of blue chip companies, the largest and most liquid Indian securities and can be regarded as a true reflection of the Indian stock market [2].
• Abstract（参考訳）: 本稿では,株式市場における為替取引指標の動きを捉えるために時系列分析手法を適用する方法について分析する。 具体的には、季節自動回帰統合移動平均(SARIMA)モデルを用いて、世界で最も活発に交換された取引契約の一つであるニフティ50指数の動きを捉える。 合計729モデルパラメータの組み合わせを評価し, aic基準に基づいて最終予測を行うための最適選択 [8] を行った。 NIFTY 50は、ファンドポートフォリオのベンチマーク、インデックスファンドの立ち上げ、ETF(ETF)の交換、構造化製品など、さまざまな目的で使用することができる。 この指数は、インド最大の流動性のある証券であるブルーチップ企業のポートフォリオの挙動を追跡しており、インド株式市場の真の反映と見なすことができる[2]。

関連論文リスト

• Neuroevolution Neural Architecture Search for Evolving RNNs in Stock Return Prediction and Portfolio Trading [6.770128010270421]
  本稿では,ストックリターン予測のために,進化的eXploration of Augmenting Memory Models (EXAMM)アルゴリズムを用いて,リカレントニューラルネットワーク(RNN)を段階的に進化させる手法を提案する。 RNNは各株ごとに独立して進化し、ポートフォリオトレーディングの決定は予測された株価のリターンに基づいて行われる。 その結果,2022年と2023年はDJI指数とS&P500指数よりも高いリターンを得られることが示唆された。
  論文  参考訳（メタデータ） (2024-10-22T17:37:18Z)
• Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer [1.9635048365486127]
  本研究では、変分モード分解(VMD)、PatchTST、適応スケール重み付け層(ASWL)を統合した新しい複合予測フレームワークを提案する。 VMD-PatchTST-ASWLフレームワークは従来のモデルに比べて予測精度が大幅に向上している。 この革新的なアプローチは、さまざまな財務分析や投資決定の文脈における潜在的な応用を含む、株価指数の価格予測のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-29T17:00:47Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Predicting Day-Ahead Stock Returns using Search Engine Query Volumes: An Application of Gradient Boosted Decision Trees to the S&P 100 [0.0]
  本論は、金融資本市場における株価の将来のリターンを予測するために、この情報を活用できるかどうかという疑問に答えることを目的としている。 S&P100指数内の株価の異常なリターンと、過去の財務データから得られたラッジした予測値の関係を学習するため、グラデーションアップされた決定ツリーを実装している。 金融と経済のモデリングと予測のためのインターネット利用行動のデータの使用と変換に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2022-05-31T14:58:46Z)
• Forecasting Financial Market Structure from Network Features using Machine Learning [0.6999740786886535]
  機械学習を用いて,リンク型およびノード型金融ネットワークの機能から市場相関構造を予測するモデルを提案する。 本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的なエビデンスを提案する。 実験結果から,提案モデルが予測性能の高い市場構造を予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-22T12:51:32Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)
• Stock Price Prediction Using Machine Learning and LSTM-Based Deep Learning Models [1.335161061703997]
  本稿では,異なる機械学習モデルとディープラーニングモデルを構築するための,株価予測のためのハイブリッドモデリング手法を提案する。 2014年12月29日から2020年7月31日まで、インドの国立証券取引所(NSE)のNIFTY50指数を用いた。 我々は,LSTM回帰モデルを用いて,アーキテクチャや入力データの構造に異なる4つの異なるモデルを用いて,将来のNIFTY 50オープン値を予測する。
  論文  参考訳（メタデータ） (2020-09-20T20:32:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。