Fugu-MT 論文翻訳(概要): A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News

論文の概要: A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News

arxiv url: http://arxiv.org/abs/2007.12620v1
Date: Thu, 23 Jul 2020 15:25:37 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 13:25:33.159944
Title: A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News
Title（参考訳）: 株価とニュースに基づく株価予測のための新しいアンサンブル深層学習モデル
Authors: Yang Li and Yi Pan
Abstract要約: 本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
参考スコア（独自算出の注目度）: 7.578363431637128
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, machine learning and deep learning have become popular methods for financial data analysis, including financial textual data, numerical data, and graphical data. This paper proposes to use sentiment analysis to extract useful information from multiple textual data sources and a blending ensemble deep learning model to predict future stock movement. The blending ensemble model contains two levels. The first level contains two Recurrent Neural Networks (RNNs), one Long-Short Term Memory network (LSTM) and one Gated Recurrent Units network (GRU), followed by a fully connected neural network as the second level model. The RNNs, LSTM, and GRU models can effectively capture the time-series events in the input data, and the fully connected neural network is used to ensemble several individual prediction results to further improve the prediction accuracy. The purpose of this work is to explain our design philosophy and show that ensemble deep learning technologies can truly predict future stock price trends more effectively and can better assist investors in making the right investment decision than other traditional methods.
Abstract（参考訳）: 近年,機械学習や深層学習が,財務テキストデータ,数値データ,グラフィカルデータなど,金融データ分析の一般的な手法になりつつある。本稿では,複数のテキストデータソースから有用な情報を抽出するための感情分析と,将来のストック運動を予測するためのブレンディングアンサンブル深層学習モデルを提案する。ブレンディングアンサンブルモデルは2つのレベルを含む。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)、続いて第2レベルモデルとして完全に接続されたニューラルネットワークが含まれる。 RNN、LSTM、GRUモデルは、入力データ内の時系列イベントを効果的にキャプチャすることができ、完全に接続されたニューラルネットワークを使用して、複数の個々の予測結果をアンサンブルして予測精度をさらに向上する。この研究の目的は、私たちのデザイン哲学を説明し、ディープラーニング技術が将来の株価動向をより効果的に予測し、投資家が従来の方法よりも適切な投資判断を行うのを支援することができることを示すことである。

関連論文リスト

GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
論文参考訳（メタデータ） (2024-07-04T09:14:24Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
論文参考訳（メタデータ） (2022-05-11T20:44:08Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error (ERMSE): Deep Learning for Stock Price Movement Prediction [15.165487282631535]
本稿では,予測精度を向上し,ジェネレーティブ・アドバイサル・ネットワークを用いて誤差損失の予測を最小化することを目的とする。 The Generative Adversarial Network (GAN) has well performed on the enhanced root mean square error to LSTM。
論文参考訳（メタデータ） (2021-11-30T18:38:59Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
A Stochastic Time Series Model for Predicting Financial Trends using NLP [4.081440927534578]
近年のディープニューラルネットワーク技術の進歩により、研究者は金融トレンドを予測するための高精度なモデルを開発することができる。本稿では,ST-GAN (Time-Series Generative Adversarial Network) と呼ばれる新しいディープラーニングモデルを提案する。我々は、GAN(Generative Adversarial Network)のような最先端技術を用いて、テキストデータと数値データの相関関係を時間とともに学習する。
論文参考訳（メタデータ） (2021-02-02T04:03:01Z)
Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文参考訳（メタデータ） (2020-09-13T21:12:20Z)
Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions [0.0]
本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。 Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
論文参考訳（メタデータ） (2020-08-08T08:42:46Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。