論文の概要: A new hybrid approach for crude oil price forecasting: Evidence from multi-scale data

• arxiv url: http://arxiv.org/abs/2002.09656v1
• Date: Sat, 22 Feb 2020 07:56:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 19:01:31.440377
• Title: A new hybrid approach for crude oil price forecasting: Evidence from multi-scale data
• Title（参考訳）: 原油価格予測のための新しいハイブリッドアプローチ--マルチスケールデータによるエビデンス
• Authors: Yang Yifan, Guo Ju'e, Sun Shaolong, and Li Yixin
• Abstract要約: 我々は月次原油価格予測のための新しいハイブリッドアプローチを提案する。 このハイブリッドアプローチは、K平均法、カーネル主成分分析、カーネル極端学習マシンからなる。 方法レベルでは、K平均のアプローチはK平均のアプローチよりも優れている。
• 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: Faced with the growing research towards crude oil price fluctuations influential factors following the accelerated development of Internet technology, accessible data such as Google search volume index are increasingly quantified and incorporated into forecasting approaches. In this paper, we apply multi-scale data that including both GSVI data and traditional economic data related to crude oil price as independent variables and propose a new hybrid approach for monthly crude oil price forecasting. This hybrid approach, based on divide and conquer strategy, consists of K-means method, kernel principal component analysis and kernel extreme learning machine , where K-means method is adopted to divide input data into certain clusters, KPCA is applied to reduce dimension, and KELM is employed for final crude oil price forecasting. The empirical result can be analyzed from data and method levels. At the data level, GSVI data perform better than economic data in level forecasting accuracy but with opposite performance in directional forecasting accuracy because of Herd Behavior, while hybrid data combined their advantages and obtain best forecasting performance in both level and directional accuracy. At the method level, the approaches with K-means perform better than those without K-means, which demonstrates that divide and conquer strategy can effectively improve the forecasting performance.
• Abstract（参考訳）: 原油価格の変動に対する研究が拡大し、インターネット技術の発展が加速すると、google search volume indexのようなアクセス可能なデータがますます定量化され、予測手法に組み込まれている。 本稿では、GSVIデータと原油価格に関する従来の経済データの両方を独立変数とするマルチスケールデータを適用し、月次原油価格予測のための新たなハイブリッドアプローチを提案する。 このハイブリッド手法は,K平均法,カーネル主成分分析,カーネル極端学習機から成り,K平均法を用いて入力データを特定のクラスタに分割し,KPCAを用いて寸法を縮小し,KELMを用いて最終原油価格予測を行う。 実験結果は、データとメソッドレベルから分析することができる。 データレベルでは、GSVIデータは、レベル予測精度において経済データよりも優れているが、Hed Behaviorによる方向予測精度では反対のパフォーマンスで、ハイブリッドデータはそれらの利点を組み合わせ、レベルと方向の精度で最高の予測性能を得る。 方法レベルでは、K平均のアプローチはK平均のアプローチよりも優れており、この方法により、分割・征服戦略が予測性能を効果的に向上できることを示す。

関連論文リスト

• Enhancing Multistep Prediction of Multivariate Market Indices Using Weighted Optical Reservoir Computing [3.4442963880376203]
  重み付き光貯水池計算システムを用いて,革新的な株価指数予測手法を提案し,実験的に実証した。 我々は、マクロ経済データと技術指標を組み合わせた基本的な市場データを構築し、株式市場のより広い振る舞いを捉える。
  論文  参考訳（メタデータ） (2024-08-01T15:41:08Z)
• Enhancing Multistep Brent Oil Price Forecasting with a Multi-Aspect Metaheuristic Optimization Approach and Ensemble Deep Learning Models [1.03590082373586]
  メタヒューリスティック最適化と5つのニューラルネットワークアーキテクチャのアンサンブルを組み合わせたハイブリッドアプローチを提案する。 我々は,GWOメタヒューリスティック・オプティマイザを特徴選択,データ準備,モデルトレーニング,予測ブレンディングの4段階で活用する。 提案手法は、実世界のブレント原油価格データを用いて、前日3日を予測するために評価されている。
  論文  参考訳（メタデータ） (2024-07-15T22:27:14Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
  インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
  論文  参考訳（メタデータ） (2024-06-02T06:39:01Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Forecasting Commodity Prices Using Long Short-Term Memory Neural Networks [0.0]
  本稿では,綿と油の価格の予測にリカレントニューラルネットワーク(RNN)を適用した。 機械学習の手法は, 適切にデータに適合するが, 体系的に古典的手法を上回らないことを示す。
  論文  参考訳（メタデータ） (2021-01-08T16:28:19Z)

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。