Fugu-MT 論文翻訳(概要): Wavelet Denoising and Attention-based RNN-ARIMA Model to Predict Forex Price

論文の概要: Wavelet Denoising and Attention-based RNN-ARIMA Model to Predict Forex Price

arxiv url: http://arxiv.org/abs/2008.06841v1
Date: Sun, 16 Aug 2020 05:32:40 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 11:59:00.368248
Title: Wavelet Denoising and Attention-based RNN-ARIMA Model to Predict Forex Price
Title（参考訳）: ウェーブレットデノイングとアテンションに基づくRNN-ARIMAモデルによる価格予測
Authors: Zhiwen Zeng and Matloob Khushi
Abstract要約: ARIMA(Autoregressive Integrated Average)は,ウェーブレットのデノイング,アテンションベースリカレントニューラルネットワーク(ARNN),自動回帰統合型インテグレート・アベレージ・アベレージ(ARIMA)を統合した新しい手法を提案する。 USD/JPYの5分間データに対する実験は,ベースライン法よりも優れている。
参考スコア（独自算出の注目度）: 0.30458514384586405
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Every change of trend in the forex market presents a great opportunity as well as a risk for investors. Accurate forecasting of forex prices is a crucial element in any effective hedging or speculation strategy. However, the complex nature of the forex market makes the predicting problem challenging, which has prompted extensive research from various academic disciplines. In this paper, a novel approach that integrates the wavelet denoising, Attention-based Recurrent Neural Network (ARNN), and Autoregressive Integrated Moving Average (ARIMA) are proposed. Wavelet transform removes the noise from the time series to stabilize the data structure. ARNN model captures the robust and non-linear relationships in the sequence and ARIMA can well fit the linear correlation of the sequential information. By hybridization of the three models, the methodology is capable of modelling dynamic systems such as the forex market. Our experiments on USD/JPY five-minute data outperforms the baseline methods. Root-Mean-Squared-Error (RMSE) of the hybrid approach was found to be 1.65 with a directional accuracy of ~76%.
Abstract（参考訳）: forex市場におけるトレンドの変化は、投資家にとって大きなチャンスとリスクをもたらします。フォレックス価格の正確な予測は、効果的なヘッジや投機戦略において重要な要素である。しかし、フォレックス市場の複雑な性質は予測問題を困難にさせ、様々な学術分野から広範な研究が進められている。本稿では,ウェーブレット雑音化,注意型リカレントニューラルネットワーク(arnn),自己回帰的統合移動平均(arima)を統合した新しい手法を提案する。ウェーブレット変換は時系列からノイズを取り除き、データ構造を安定化させる。 ARNNモデルはシーケンス内のロバストおよび非線形関係をキャプチャし、ARIMAはシーケンシャル情報の線形相関によく適合する。 3つのモデルのハイブリッド化により、この方法論はforex marketのような動的システムをモデル化することができる。 USD/JPYの5分間データに対する実験は,ベースライン法よりも優れている。ハイブリッドアプローチのルート平均二乗誤差(RMSE)は1.65で、方向精度は76%であった。

関連論文リスト

UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文参考訳（メタデータ） (2024-10-03T17:39:38Z)
An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
論文参考訳（メタデータ） (2024-08-22T13:58:55Z)
AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks [0.0]
本研究では,HMM(Hidden Markov Models)とニューラルネットワークを組み合わせた新たなアプローチを提案する。新型コロナウイルスの期間(2019-2022年)に、この二重モデルアプローチはシャープ比0.77で83%のリターンを達成した。
論文参考訳（メタデータ） (2024-07-29T10:26:52Z)
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)
Commodities Trading through Deep Policy Gradient Methods [0.0]
商品取引問題を連続的な離散時間力学系として定式化する。アクターベースとアクタークリティカルベースの2つのポリシーアルゴリズムが導入された。先月末の天然ガス先物試験では、DRLモデルのシャープ比が買いと持ち株ベースラインと比較して83%高くなることが示されている。
論文参考訳（メタデータ） (2023-08-10T17:21:12Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文参考訳（メタデータ） (2022-07-23T18:54:10Z)
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)
GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method for RoboTrading [0.4568777157687961]
外国為替は世界最大の金融市場である。ほとんどの文献は、歴史的価格情報と技術指標を訓練に用いた。この問題に対処するため,我々は,技術指標と取引規則から派生した取引規則の特徴を設計した。
論文参考訳（メタデータ） (2020-08-16T05:33:35Z)
Deep Probabilistic Modelling of Price Movements for High-Frequency Trading [0.0]
本稿では、高周波市場価格の確率論的モデリングのための深い再帰アーキテクチャを提案する。結果として生じる深層混合モデルは、自動化された高周波取引戦略の開発において重要ないくつかの実践的課題に同時に対処する。このモデルでは,メトリックベーステストとシミュレートされたトレーディングシナリオの両方において,ベンチマークモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2020-03-31T19:25:40Z)

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。