論文の概要: Forecasting directional movements of stock prices for intraday trading using LSTM and random forests

• arxiv url: http://arxiv.org/abs/2004.10178v2
• Date: Wed, 30 Jun 2021 19:16:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:29:49.985623
• Title: Forecasting directional movements of stock prices for intraday trading using LSTM and random forests
• Title（参考訳）: LSTMとランダム森林を用いた日内取引における株価の方向性予測
• Authors: Pushpendu Ghosh, Ariel Neufeld, Jajati Keshari Sahoo
• Abstract要約: 本研究では,S&P500構成株の方向性を学習手法として無作為林とLSTMネットワークを用いた。 マルチフィーチャー設定では,トランザクションコストよりも前の日次リターンが0.64%,LSTMネットワークが0.54%,ランダムフォレストが0.54%であることがわかった。
• 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: We employ both random forests and LSTM networks (more precisely CuDNNLSTM) as training methodologies to analyze their effectiveness in forecasting out-of-sample directional movements of constituent stocks of the S&P 500 from January 1993 till December 2018 for intraday trading. We introduce a multi-feature setting consisting not only of the returns with respect to the closing prices, but also with respect to the opening prices and intraday returns. As trading strategy, we use Krauss et al. (2017) and Fischer & Krauss (2018) as benchmark. On each trading day, we buy the 10 stocks with the highest probability and sell short the 10 stocks with the lowest probability to outperform the market in terms of intraday returns -- all with equal monetary weight. Our empirical results show that the multi-feature setting provides a daily return, prior to transaction costs, of 0.64% using LSTM networks, and 0.54% using random forests. Hence we outperform the single-feature setting in Fischer & Krauss (2018) and Krauss et al. (2017) consisting only of the daily returns with respect to the closing prices, having corresponding daily returns of 0.41% and of 0.39% with respect to LSTM and random forests, respectively.
• Abstract（参考訳）: 我々は,1993年1月から2018年12月までの日内取引において,S&P500の構成銘柄の方向性予測において,ランダム森林とLSTMネットワーク(より正確にはCuDNNLSTM)の両方をトレーニング手法として採用した。 我々は,閉鎖価格に関してのリターンだけでなく,開放価格や日内リターンについても,多機能設定を導入する。 取引戦略として、krauss et al. (2017) と fischer & krauss (2018) をベンチマークとして使用する。 取引当日は10銘柄を最も高い確率で購入し、日内リターン(日内リターン)で市場を上回る確率の低い10銘柄を同額の金融重みで売る。 実験の結果,多機能化によって,トランザクションコスト以前の日次リターンが0.64%,LSTMネットワークが0.54%,ランダム森林が0.54%であった。 したがって、Fischer & Krauss (2018) と Krauss et al. (2017) では、1日当たりの利益率 0.41% と 0.39% をそれぞれLSTM とランダム林で上回っている。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• Spatiotemporal Transformer for Stock Movement Prediction [2.792030485253753]
  ストックムーブメント予測のための時空間トランスフォーマー-LSTMモデルを用いた新しいアプローチSTSTを提案する。 本モデルでは, ACL18データセットとKDD17データセットに対して, それぞれ63.707と56.879%の精度が得られる。 S&P500の株価指数よりも最低10.41%高い利益を得ており、年間リターンは最低31.24%だった。
  論文  参考訳（メタデータ） (2023-05-05T20:30:30Z)
• A Game of NFTs: Characterizing NFT Wash Trading in the Ethereum Blockchain [53.8917088220974]
  非Fungible Token(NFT)市場は2021年に爆発的に成長し、2022年1月には月間貿易額が60億ドルに達した。 ウォッシュトレーディングの可能性に関する懸念が浮かび上がっており、あるパーティがNFTを取引してそのボリュームを人為的に膨らませる市場操作の形式である。 洗濯物取引は全NFTコレクションの5.66%に影響し、総生産量は3,406,110,774ドルである。
  論文  参考訳（メタデータ） (2022-12-02T15:03:35Z)
• FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis [0.0]
  市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。 私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
  論文  参考訳（メタデータ） (2022-11-11T15:13:16Z)
• Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks [4.5885930040346565]
  本研究は、同社の年次報告の公表直後の2日目の株価の推移を予測するものである。 決定木、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、プロトタイプネットワークなど、さまざまなモデルを使用します。 我々は、同社の年次報告書に基づく財務指標によれば、株価変動の予測可能性が弱いと結論付けている。
  論文  参考訳（メタデータ） (2022-06-25T01:54:53Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Exploration of Algorithmic Trading Strategies for the Bitcoin Market [1.933681537640272]
  この取り組みは、Bitcoin市場にアルゴリズムによるトレーディングのアプローチをもたらし、その価格の変動を日々利用している。 我々は,2021年第1四半期を通じて収集された全く見えないデータに基づいて,実世界のトレーディング戦略を用いてモデルを実証的に評価した。 モデルの平均利益は86%で、従来の買い取り戦略と一致した。
  論文  参考訳（メタデータ） (2021-10-28T08:13:34Z)
• 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)
• Extreme Volatility Prediction in Stock Market: When GameStop meets Long Short-Term Memory Networks [7.23389716633927]
  2021年初め、GameStopの会社株(NYSEのTicker GME)など一部の株式のボラティリティが急上昇した。 GameStopの株価は10年平均の485ドルから約10倍に上昇した。 本論文では, 合併崩壊の予測と取引により, 過激なボラティリティの存在下では買取戦略を上回り得ると仮定する。
  論文  参考訳（メタデータ） (2021-03-01T16:44:32Z)

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。