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
- 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) - 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) - 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) - Univariate and Multivariate LSTM Model for Short-Term Stock Market
Prediction [1.6114012813668934]
本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。
10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
論文 参考訳(メタデータ) (2022-05-08T07:01:12Z) - 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) - Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets
with Sentiment Measurements [11.97251638872227]
本稿では、取引データとそれに対応する社会的感情測定の両方を用いて、個別のシーケンス・ツー・シーケンス・チャネルを通じて、金融市場の動きを予測するための新しい深層学習手法であるDouble-CLVSAを提案する。
その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることが明らかとなった。
論文 参考訳(メタデータ) (2022-01-27T20:32:46Z) - A Hybrid Learning Approach to Detecting Regime Switches in Financial
Markets [0.0]
本稿では,米国金融市場におけるレギュラースイッチ検出のための新しい枠組みを提案する。
クラスタ分析と分類の組み合わせを用いて、公開可能な経済データに基づいて金融市場の体制を同定する。
検出された体制に基づいて2つの取引戦略を構築・評価することで,枠組みの有効性を示す。
論文 参考訳(メタデータ) (2021-08-05T01:15:19Z) - 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。