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
- 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) - Skeleton2vec: A Self-supervised Learning Framework with Contextualized
Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。
具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。
提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文 参考訳(メタデータ) (2024-01-01T12:08:35Z) - 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) - Conformer-based Hybrid ASR System for Switchboard Dataset [99.88988282353206]
本稿では,競争力のあるコンバータベースハイブリッドモデルトレーニングレシピを提示し,評価する。
本研究は,単語誤り率の向上と学習速度向上のための異なる訓練側面と手法について検討する。
我々はSwitchboard 300hデータセットで実験を行い、コンバータベースのハイブリッドモデルは競争力のある結果を得る。
論文 参考訳(メタデータ) (2021-11-05T12:03:18Z) - 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) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳(メタデータ) (2020-10-28T17:53:57Z) - 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。
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。