論文の概要: Financial Market Trend Forecasting and Performance Analysis Using LSTM

• arxiv url: http://arxiv.org/abs/2004.01502v1
• Date: Tue, 31 Mar 2020 01:30:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 02:00:25.986705
• Title: Financial Market Trend Forecasting and Performance Analysis Using LSTM
• Title（参考訳）: LSTMによる金融市場の動向予測とパフォーマンス分析
• Authors: Jonghyeon Min
• Abstract要約: LSTMを用いた金融市場トレンド予測手法を提案し、実験を通して既存の金融市場トレンド予測手法を用いて性能を解析する。 本稿では,既存の金融市場トレンド予測モデルの性能と,金融市場環境に応じたパフォーマンスを実験的に比較する。
• 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: The financial market trend forecasting method is emerging as a hot topic in financial markets today. Many challenges still currently remain, and various researches related thereto have been actively conducted. Especially, recent research of neural network-based financial market trend prediction has attracted much attention. However, previous researches do not deal with the financial market forecasting method based on LSTM which has good performance in time series data. There is also a lack of comparative analysis in the performance of neural network-based prediction techniques and traditional prediction techniques. In this paper, we propose a financial market trend forecasting method using LSTM and analyze the performance with existing financial market trend forecasting methods through experiments. This method prepares the input data set through the data preprocessing process so as to reflect all the fundamental data, technical data and qualitative data used in the financial data analysis, and makes comprehensive financial market analysis through LSTM. In this paper, we experiment and compare performances of existing financial market trend forecasting models, and performance according to the financial market environment. In addition, we implement the proposed method using open sources and platform and forecast financial market trends using various financial data indicators.
• Abstract（参考訳）: 金融市場のトレンド予測手法は、今日、金融市場でホットな話題となっている。 現在も多くの課題が残っており、それに関連する様々な研究が活発に行われている。 特に、ニューラルネットワークベースの金融市場トレンド予測に関する最近の研究が注目されている。 しかし,従来の調査では,時系列データの性能のよいLSTMに基づく金融市場予測手法には対応していない。 また、ニューラルネットワークベースの予測技術と従来の予測技術のパフォーマンスの比較分析が欠如している。 本稿では、LSTMを用いた金融市場トレンド予測手法を提案し、実験を通して既存の金融市場トレンド予測手法を用いて性能を解析する。 この方法は、データ前処理プロセスを通じて設定された入力データを作成し、財務データ分析に使用される基本データ、技術データ、質的データをすべて反映し、LSTMを通じて包括的な金融市場分析を行う。 本稿では,既存の金融市場トレンド予測モデルの性能と,金融市場環境に応じたパフォーマンスを実験的に比較する。 また,提案手法をオープンソースとプラットフォームを用いて実装し,金融データ指標を用いて金融市場の動向を予測する。

関連論文リスト

• Large Language Models for Financial Aid in Financial Time-series Forecasting [0.4218593777811082]
  金融支援の時系列予測は、限られた歴史的データセットと高次元財務情報のために困難である。 我々は、従来のアプローチよりも優れた性能を示すために、事前訓練されたLPM(GPT-2をバックボーンとする)、トランスフォーマー、線形モデルなど、最先端の時系列モデルを用いている。
  論文  参考訳（メタデータ） (2024-10-24T12:41:47Z)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
  PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。 我々はLLaMAを細調整してFinMAを提案する。 我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
  論文  参考訳（メタデータ） (2023-06-08T14:20:29Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Financial Markets Prediction with Deep Learning [11.26482563151052]
  金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。 カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。 我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
  論文  参考訳（メタデータ） (2021-04-05T19:36:48Z)
• Interpretable ML-driven Strategy for Automated Trading Pattern Extraction [2.7910505923792646]
  金融時系列分析のためのボリュームベースデータ前処理手法を提案する。 手法の性能を評価するために統計的手法を用いる。 提案手法により,金融時系列パターンの分類を成功させることができた。
  論文  参考訳（メタデータ） (2021-03-23T09:55:46Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。