論文の概要: Deep Learning Based on Generative Adversarial and Convolutional Neural
Networks for Financial Time Series Predictions
- arxiv url: http://arxiv.org/abs/2008.08041v2
- Date: Mon, 24 Aug 2020 18:29:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 12:22:03.476262
- Title: Deep Learning Based on Generative Adversarial and Convolutional Neural
Networks for Financial Time Series Predictions
- Title（参考訳）: 財務時系列予測のための生成的逆・畳み込みニューラルネットワークに基づく深層学習
- Authors: Wilfredo Tovar
- Abstract要約: 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。
- 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: In the big data era, deep learning and intelligent data mining technique
solutions have been applied by researchers in various areas. Forecast and
analysis of stock market data have represented an essential role in today's
economy, and a significant challenge to the specialist since the market's
tendencies are immensely complex, chaotic and are developed within a highly
dynamic environment. There are numerous researches from multiple areas
intending to take on that challenge, and Machine Learning approaches have been
the focus of many of them. There are multiple models of Machine Learning
algorithms been able to obtain competent outcomes doing that class of
foresight. This paper proposes the implementation of a generative adversarial
network (GAN), which is composed by a bi-directional Long short-term memory
(LSTM) and convolutional neural network(CNN) referred as Bi-LSTM-CNN to
generate synthetic data that agree with existing real financial data so the
features of stocks with positive or negative trends can be retained to predict
future trends of a stock. The novelty of this proposed solution that distinct
from previous solutions is that this paper introduced the concept of a hybrid
system (Bi-LSTM-CNN) rather than a sole LSTM model. It was collected data from
multiple stock markets such as TSX, SHCOMP, KOSPI 200 and the S&P 500,
proposing an adaptative-hybrid system for trends prediction on stock market
prices, and carried a comprehensive evaluation on several commonly utilized
machine learning prototypes, and it is concluded that the proposed solution
approach outperforms preceding models. Additionally, during the research stage
from preceding works, gaps were found between investors and researchers who
dedicated to the technical domain.
- Abstract（参考訳）: ビッグデータ時代において、深層学習とインテリジェントなデータマイニング技術は、様々な分野の研究者によって適用されてきた。
株式市場のデータ予測と分析は、今日の経済において重要な役割を担っており、市場の傾向は極めて複雑でカオス的で、非常にダイナミックな環境の中で開発されているため、専門家にとって大きな課題となっている。
この課題に取り組むために複数の分野から多くの研究が行われており、機械学習アプローチは多くの分野の焦点となっている。
機械学習アルゴリズムには複数のモデルがあり、そのクラスを前向きに行う能力のある結果を得ることができる。
本稿では,双方向長短期メモリ(LSTM)と,Bi-LSTM-CNNと呼ばれる畳み込みニューラルネットワーク(CNN)によって構成されるGAN(Generative Adversarial Network)の実装を提案する。
提案手法の新規性は, 単独のLSTMモデルではなく, ハイブリッドシステム (Bi-LSTM-CNN) の概念を導入することである。
TSX,SHCOMP,KOSPI 200,S&P 500といった複数の株式市場のデータを収集し,市場価格のトレンド予測のための適応ハイブリッドシステムを提案し,広く利用されている機械学習プロトタイプを総合的に評価し,提案手法が先行モデルより優れていると結論付けた。
また、先行研究から研究段階では、技術分野を専門とする投資家と研究者の間でギャップが見つかった。
関連論文リスト
- 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) - Comprehensive Exploration of Synthetic Data Generation: A Survey [4.485401662312072]
この研究は、過去10年間で417のSynthetic Data Generationモデルを調査します。
その結果、ニューラルネットワークベースのアプローチが普及し、モデルのパフォーマンスと複雑性が向上したことが明らかになった。
コンピュータビジョンが支配的であり、GANが主要な生成モデルであり、拡散モデル、トランスフォーマー、RNNが競合する。
論文 参考訳（メタデータ） (2024-01-04T20:23:51Z) - 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) - 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) - 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) - 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) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - 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) - A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock
Prices and News [7.578363431637128]
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。
論文 参考訳（メタデータ） (2020-07-23T15:25:37Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - 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。