論文の概要: Share Price Prediction of Aerospace Relevant Companies with Recurrent
Neural Networks based on PCA
- arxiv url: http://arxiv.org/abs/2008.11788v1
- Date: Wed, 26 Aug 2020 20:16:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 22:21:52.668680
- Title: Share Price Prediction of Aerospace Relevant Companies with Recurrent
Neural Networks based on PCA
- Title（参考訳）: pcaに基づくリカレントニューラルネットワークを用いた航空宇宙関連企業の株価予測
- Authors: Linyu Zheng and Hongmei He
- Abstract要約: 主成分分析(PCA)とリカレントニューラルネットワークを組み合わせたハイブリッド予測モデルを提案する。
財務データ、抽出された特徴、アルゴリズム、パラメータなど、様々な要因が予測モデルの性能に影響を与える可能性がある。
開発されたアプローチは、新型コロナウイルス(COVID-19)以降の航空宇宙産業の株価を予測するために使用することができる。
- 参考スコア（独自算出の注目度）: 13.033705947070931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The capital market plays a vital role in marketing operations for aerospace
industry. However, due to the uncertainty and complexity of the stock market
and many cyclical factors, the stock prices of listed aerospace companies
fluctuate significantly. This makes the share price prediction challengeable.
To improve the prediction of share price for aerospace industry sector and well
understand the impact of various indicators on stock prices, we provided a
hybrid prediction model by the combination of Principal Component Analysis
(PCA) and Recurrent Neural Networks. We investigated two types of aerospace
industries (manufacturer and operator). The experimental results show that PCA
could improve both accuracy and efficiency of prediction. Various factors could
influence the performance of prediction models, such as finance data, extracted
features, optimisation algorithms, and parameters of the prediction model. The
selection of features may depend on the stability of historical data: technical
features could be the first option when the share price is stable, whereas
fundamental features could be better when the share price has high fluctuation.
The delays of RNN also depend on the stability of historical data for different
types of companies. It would be more accurate through using short-term
historical data for aerospace manufacturers, whereas using long-term historical
data for aerospace operating airlines. The developed model could be an
intelligent agent in an automatic stock prediction system, with which, the
financial industry could make a prompt decision for their economic strategies
and business activities in terms of predicted future share price, thus
improving the return on investment. Currently, COVID-19 severely influences
aerospace industries. The developed approach can be used to predict the share
price of aerospace industries at post COVID-19 time.
- Abstract（参考訳）: 資本市場は航空宇宙産業のマーケティング活動において重要な役割を担っている。
しかし、株式市場の不確実性と複雑さと多くの循環的要因により、上場航空宇宙企業の株価は著しく変動した。
これにより株価予測は困難になる。
航空宇宙産業における株価予測を改善し,様々な指標が株価に与える影響をよく理解するために,主成分分析(pca)とリカレントニューラルネットワークを組み合わせたハイブリッド予測モデルを提案した。
我々は航空宇宙産業の2つのタイプ(製造者と運用者)を調査した。
実験の結果,PCAは予測精度と効率を両立させることができた。
金融データや抽出特徴,最適化アルゴリズム,予測モデルのパラメータなど,さまざまな要因が予測モデルの性能に影響を与える可能性がある。
技術的特徴は、株価が安定している場合に最初の選択肢となり得るが、基本的な特徴は、株価が変動が大きい場合の方が良い。
RNNの遅延は、さまざまなタイプの企業の過去のデータの安定性にも依存する。
航空宇宙製造者にとっての短期的歴史データと、航空宇宙運用航空会社の長期的歴史データを用いて、より正確である。
開発モデルは、自動株価予測システムにおいてインテリジェントなエージェントとなり得るため、金融業界は将来の株価の予測から経済戦略や事業活動の迅速な決定を下すことができ、投資のリターンが向上する可能性がある。
現在、covid-19は航空産業に大きな影響を与えている。
開発されたアプローチは、新型コロナウイルス(COVID-19)以降の航空宇宙産業の株価を予測するために使用することができる。
関連論文リスト
- 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) - Stock Market Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳（メタデータ） (2023-08-07T14:21:05Z) - HiSA-SMFM: Historical and Sentiment Analysis based Stock Market
Forecasting Model [3.6704226968275258]
本研究の目的は、企業の金融株の将来を精度良く予測することである。
感情分析の分野での既存の研究を分析した結果、株価の動きとニュース記事の発行との間には強い相関関係があることが判明した。
論文 参考訳（メタデータ） (2022-03-10T17:03:38Z) - Analysis of Sectoral Profitability of the Indian Stock Market Using an
LSTM Regression Model [0.0]
本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。
このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。
結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
論文 参考訳（メタデータ） (2021-11-09T07:50:48Z) - 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) - Economic Recession Prediction Using Deep Neural Network [26.504845007567972]
本稿では,米国における景気後退の開始と終了を予測するための最も正確なモデルとして,オートエンコーダを用いたBi-LSTMの深層学習手法を同定する。
我々は、さまざまな機械学習モデルの能力を比較して、サンプル内とサンプル外の両方で優れた予測を生成するために、一般的なマクロおよびマーケットコンディション機能を採用する。
論文 参考訳（メタデータ） (2021-07-21T22:55:14Z) - Design and Analysis of Robust Deep Learning Models for Stock Price
Prediction [0.0]
株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。
本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
論文 参考訳（メタデータ） (2021-06-17T17:15:02Z) - Volatility Modeling of Stocks from Selected Sectors of the Indian
Economy Using GARCH [1.2891210250935146]
インド証券取引所(NSE)に上場している10銘柄のボラティリティをモデル化するための,一般化自己回帰的条件付き不均質(GARCH)フレームワークに基づくいくつかのボラティリティモデルを提案する。
2010年1月1日から2021年4月30日までの歴史的株価記録は、Pythonプログラミング言語のPandasモジュールのDataReader APIを使用してYahoo Financeのウェブサイトから取り除かれた。
結果から、非対称GARCHモデルにより、将来の株価のボラティリティに関するより正確な予測が得られることが示された。
論文 参考訳（メタデータ） (2021-05-28T14:59:40Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z) - Uncertainty-Aware Lookahead Factor Models for Quantitative Investing [25.556824322478935]
最初にシミュレーションを通して、将来の基本に基づいて計算された要因によって株式を選択することができれば、ポートフォリオは標準因子モデルよりもはるかに優れていることを示します。
本稿では、これらの予測された未来基本を従来の要因にプラグインするルックアヘッドファクターモデルを提案する。
振り返り分析では、業界レベルのポートフォリオシミュレータを活用し、年次リターンとシャープ比の同時改善を示す。
論文 参考訳（メタデータ） (2020-07-07T00:18:40Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
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。