論文の概要: Modeling Financial Time Series using LSTM with Trainable Initial Hidden
States
- arxiv url: http://arxiv.org/abs/2007.06848v1
- Date: Tue, 14 Jul 2020 06:36:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 15:35:07.624055
- Title: Modeling Financial Time Series using LSTM with Trainable Initial Hidden
States
- Title(参考訳): LSTMとトレーニング可能な初期隠れ状態を用いた金融時系列のモデル化
- Authors: Jungsik Hwang
- Abstract要約: 本稿では,ディープラーニングモデルを用いた金融時系列のモデリング手法を提案する。
トレーニング可能な初期隠れ状態を備えたLong Short-Term Memory (LSTM) ネットワークを使用する。
- 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: Extracting previously unknown patterns and information in time series is
central to many real-world applications. In this study, we introduce a novel
approach to modeling financial time series using a deep learning model. We use
a Long Short-Term Memory (LSTM) network equipped with the trainable initial
hidden states. By learning to reconstruct time series, the proposed model can
represent high-dimensional time series data with its parameters. An experiment
with the Korean stock market data showed that the model was able to capture the
relative similarity between a large number of stock prices in its latent space.
Besides, the model was also able to predict the future stock trends from the
latent space. The proposed method can help to identify relationships among many
time series, and it could be applied to financial applications, such as
optimizing the investment portfolios.
- Abstract(参考訳): 過去の未知のパターンや情報を時系列で抽出することは、多くの現実世界のアプリケーションの中心である。
本研究では,深層学習モデルを用いて金融時系列をモデル化する新しい手法を提案する。
トレーニング可能な初期隠れ状態を備えたLong Short-Term Memory(LSTM)ネットワークを使用する。
時系列の再構成を学習することにより,そのパラメータで高次元時系列データを表現できる。
韓国株式市場のデータを用いた実験により、このモデルは潜在空間における大量の株価の相対的類似性を捉えることができた。
さらに、このモデルでは、潜在分野から将来の株価トレンドを予測することもできる。
提案手法は,多くの時系列間の関係を識別する上で有用であり,投資ポートフォリオの最適化など,金融アプリケーションに適用することができる。
関連論文リスト
- Taming Pre-trained LLMs for Generalised Time Series Forecasting via
Cross-modal Knowledge Distillation [62.46869075841118]
我々はLLaTAと呼ばれる新しい大規模言語モデルと時系列アライメントフレームワークを提案し、時系列予測課題におけるLLMの可能性を完全に解き放つ。
提案手法は, クロスモーダルな知識蒸留に基づいて, 入力に依存しない静的知識と, 事前学習LLMにおける入力依存動的知識の両方を利用する。
論文 参考訳(メタデータ) (2024-03-12T04:04:38Z) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Lag-Llama: Towards Foundation Models for Probabilistic Time Series
Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。
Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。
このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-12T12:29:32Z) - Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。
時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。
Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文 参考訳(メタデータ) (2023-10-03T01:31:25Z) - Unified Long-Term Time-Series Forecasting Benchmark [0.6526824510982802]
本稿では,時系列予測のための包括的データセットを提案する。
多様な動的システムと実生活記録から得られたデータセットのコレクションを組み込んだ。
多様なシナリオにおいて最も効果的なモデルを決定するために、古典的および最先端のモデルを用いて広範なベンチマーク分析を行う。
本研究は,これらのモデルの性能比較を興味深いものにし,モデルの有効性のデータセット依存性を強調した。
論文 参考訳(メタデータ) (2023-09-27T18:59:00Z) - Pre-training Enhanced Spatial-temporal Graph Neural Network for
Multivariate Time Series Forecasting [13.441945545904504]
スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。
具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。
我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
論文 参考訳(メタデータ) (2022-06-18T04:24:36Z) - 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) - A posteriori Trading-inspired Model-free Time Series Segmentation [0.0]
提案手法は, ファインワイドアフィンモデルに適合する一般的なモデルベースボトムアップアプローチと, ガウスモデルに適合する最先端のモデルベーストップダウンアプローチとを比較した。
大規模なデータセットを含む、合成および実世界のデータ上でのパフォーマンスが実証されている。
論文 参考訳(メタデータ) (2019-12-16T06:14:03Z)
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。