Fugu-MT 論文翻訳(概要): Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network

論文の概要: Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network

arxiv url: http://arxiv.org/abs/2010.01197v1
Date: Tue, 29 Sep 2020 22:54:30 GMT
ステータス: 処理完了
システム内更新日: 2022-10-13 06:00:30.503028
Title: Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network
Title（参考訳）: Stock2Vec: 表現学習と時間畳み込みネットワークによる市場予測のためのハイブリッドディープラーニングフレームワーク
Authors: Xing Wang, Yijun Wang, Bin Weng, Aleksandr Vinel
Abstract要約: 我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 71.25144476293507
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We have proposed to develop a global hybrid deep learning framework to predict the daily prices in the stock market. With representation learning, we derived an embedding called Stock2Vec, which gives us insight for the relationship among different stocks, while the temporal convolutional layers are used for automatically capturing effective temporal patterns both within and across series. Evaluated on S&P 500, our hybrid framework integrates both advantages and achieves better performance on the stock price prediction task than several popular benchmarked models.
Abstract（参考訳）: 我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習を用いて,stock2vec という埋め込みを導出し,複数のストック間の関係を把握し,一方,時間的畳み込み層は,シリーズ内およびシリーズ間における効果的な時間パターンを自動的に把握する。 S&P 500をベースとして、当社のハイブリッドフレームワークは両方の利点を統合し、人気のあるベンチマークモデルよりも株価予測タスクの性能を向上させる。

関連論文リスト

Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文参考訳（メタデータ） (2024-11-09T05:40:32Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Multi-relational Graph Diffusion Neural Network with Parallel Retention for Stock Trends Classification [6.383640665055313]
本稿では,複数株の今後の動きを予測することを目的としたグラフベース表現学習手法を提案する。当社のアプローチは、7年にわたる3回の試行期間における次のトレーディングデイの株価トレンドを予想する上で、常に最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2024-01-05T17:15:45Z)
Combining Deep Learning and GARCH Models for Financial Volatility and Risk Forecasting [0.0]
我々は,一般的な計量的GARCH時系列モデルとディープラーニングニューラルネットワークを組み合わせることで,金融商品のボラティリティとリスクを予測するハイブリッドアプローチを開発した。一方,GARCHは標準GARCH,EGARCH,GJR-GARCH,APARCHの4つの仕様が採用されている。モデルは、S&P500指数の日替わりの対数リターンと、金価格のBitcoin価格でテストされる。
論文参考訳（メタデータ） (2023-10-02T10:18:13Z)
Stock Trend Prediction: A Semantic Segmentation Approach [3.718476964451589]
完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
論文参考訳（メタデータ） (2023-03-09T01:29:09Z)
Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies [3.351714665243138]
我々は, 時間的・時間的モーメント戦略を導入し, 時間とともにその断続的なモーメント特性に基づいて, 取引資産による時間的・断続的なモーメント戦略を統一する。このモデルでは,高トランザクションコストの存在下で,ベンチマークよりもパフォーマンスを維持可能であることを実証する。特に、最小限の縮小とターンオーバー正規化と組み合わせた場合、さまざまなトランザクションコストシナリオに対して最高のパフォーマンスが得られることが判明した。
論文参考訳（メタデータ） (2023-02-20T18:59:05Z)
Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
論文参考訳（メタデータ） (2021-12-02T12:33:12Z)
Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文参考訳（メタデータ） (2021-10-07T11:58:35Z)
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)

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。