論文の概要: Stock Price Prediction Using Convolutional Neural Networks on a
Multivariate Timeseries
- arxiv url: http://arxiv.org/abs/2001.09769v1
- Date: Fri, 10 Jan 2020 03:27:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 23:55:26.833144
- Title: Stock Price Prediction Using Convolutional Neural Networks on a
Multivariate Timeseries
- Title(参考訳): 多変量時系列を用いた畳み込みニューラルネットワークによる株価予測
- Authors: Sidra Mehtab and Jaydip Sen
- Abstract要約: 機械学習アプローチを使用して様々な予測モデルを構築し、そのモデルを使用して、2019年のNIFTY 50のクローズバリューを予測する。
NIFTY指数運動パターンの予測には,多くの分類法を用い,NIFTY指数の実際の閉値の予測には様々な回帰モデルを構築した。
我々は、予測に使用する変数の数が異なる3つのアプローチを用いて、将来のNIFTY指数値を予測する際のCNNの力を利用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction of future movement of stock prices has been a subject matter of
many research work. In this work, we propose a hybrid approach for stock price
prediction using machine learning and deep learning-based methods. We select
the NIFTY 50 index values of the National Stock Exchange of India, over a
period of four years, from January 2015 till December 2019. Based on the NIFTY
data during the said period, we build various predictive models using machine
learning approaches, and then use those models to predict the Close value of
NIFTY 50 for the year 2019, with a forecast horizon of one week. For predicting
the NIFTY index movement patterns, we use a number of classification methods,
while for forecasting the actual Close values of NIFTY index, various
regression models are built. We, then, augment our predictive power of the
models by building a deep learning-based regression model using Convolutional
Neural Network with a walk-forward validation. The CNN model is fine-tuned for
its parameters so that the validation loss stabilizes with increasing number of
iterations, and the training and validation accuracies converge. We exploit the
power of CNN in forecasting the future NIFTY index values using three
approaches which differ in number of variables used in forecasting, number of
sub-models used in the overall models and, size of the input data for training
the models. Extensive results are presented on various metrics for all
classification and regression models. The results clearly indicate that
CNN-based multivariate forecasting model is the most effective and accurate in
predicting the movement of NIFTY index values with a weekly forecast horizon.
- Abstract(参考訳): 株価の将来の動きを予測することは、多くの研究課題となっている。
本研究では,機械学習とディープラーニングを用いた株価予測のハイブリッド手法を提案する。
我々は、2015年1月から2019年12月までの4年間にわたって、インド国立証券取引所のNIFTY50指数を選定する。
この期間のNIFTYデータに基づいて、機械学習アプローチを使用して様々な予測モデルを構築し、そのモデルを使用して、2019年のNIFTY 50のクローズバリューを1週間の予測地平線で予測する。
NIFTY指数運動パターンの予測には,多くの分類法を用い,NIFTY指数の実際の閉値の予測には様々な回帰モデルを構築した。
そして,畳み込みニューラルネットワークを用いた深層学習に基づく回帰モデルを構築することにより,モデルの予測能力を向上する。
CNNモデルはパラメータに対して微調整され、検証損失は反復回数の増加とともに安定化し、トレーニングと検証の精度が収束する。
予測に用いる変数の数,モデル全体のサブモデル数,モデルのトレーニングのための入力データのサイズの3つのアプローチを用いて,cnnのパワーを活用して,将来のニッチ指標値を予測する。
すべての分類モデルと回帰モデルについて、様々な指標について広範な結果を示す。
その結果,cnnを用いた多変量予測モデルが最も効果的で正確な指標値の変動を予測できることがわかった。
関連論文リスト
- A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。
自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文 参考訳(メタデータ) (2024-02-08T16:45:01Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳(メタデータ) (2022-02-01T18:15:24Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳(メタデータ) (2021-06-01T22:33:53Z) - Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models [0.0]
本稿では,株価予測のための深層学習モデルについて述べる。
インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を利用する。
我々の提案には、畳み込みニューラルネットワーク上に構築された2つの回帰モデルと、3つの長期記憶ネットワークに基づく予測モデルが含まれる。
論文 参考訳(メタデータ) (2020-10-22T03:09:07Z) - 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) - Beyond Point Estimate: Inferring Ensemble Prediction Variation from
Neuron Activation Strength in Recommender Systems [21.392694985689083]
Ensemble Methodは、予測不確実性推定のための最先端のベンチマークである。
予測のバリエーションは、様々なランダム性源から生じることを観察する。
本稿では,ニューロンの活性化強度の予測変動を推定し,活性化強度の特徴から強い予測力を示す。
論文 参考訳(メタデータ) (2020-08-17T00:08:27Z) - A Time Series Analysis-Based Stock Price Prediction Using Machine
Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。
当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。
統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文 参考訳(メタデータ) (2020-04-17T19:41:22Z) - ProphetNet: Predicting Future N-gram for Sequence-to-Sequence
Pre-training [85.35910219651572]
本稿ではProphetNetと呼ばれる新しいシーケンス・ツー・シーケンス事前学習モデルを提案する。
将来的なn-gram予測という,新たな自己教師型目標を導入している。
我々は,CNN/DailyMail,Gigaword,SQuAD 1.1ベンチマークを用いて,抽象的な要約と質問生成タスクの実験を行った。
論文 参考訳(メタデータ) (2020-01-13T05:12:38Z)
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。