論文の概要: Asset Price Forecasting using Recurrent Neural Networks
- arxiv url: http://arxiv.org/abs/2010.06417v3
- Date: Tue, 20 Oct 2020 09:14:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 22:53:05.855259
- Title: Asset Price Forecasting using Recurrent Neural Networks
- Title（参考訳）: リカレントニューラルネットワークを用いた資産価格予測
- Authors: Hamed Vaheb
- Abstract要約: この論文は、ゴールドマン・サックス(GS)とゼネラル・エレクトリック(GE)の2つの株式の予測を主な目的とする。
第2の目的は、時系列予測のタスクに関するより汎用的で客観的な視点を開発することである。
この論文の最後の最も重要な目的は、ANNが基盤とする数学的フレームワークについて詳しく説明することである。
- 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: This thesis serves three primary purposes, first of which is to forecast two
stocks, i.e. Goldman Sachs (GS) and General Electric (GE). In order to forecast
stock prices, we used a long short-term memory (LSTM) model in which we
inputted the prices of two other stocks that lie in rather close correlation
with GS. Other models such as ARIMA were used as benchmark. Empirical results
manifest the practical challenges when using LSTM for forecasting stocks. One
of the main upheavals was a recurring lag which we called "forecasting lag".
The second purpose is to develop a more general and objective perspective on
the task of time series forecasting so that it could be applied to assist in an
arbitrary that of forecasting by ANNs. Thus, attempts are made for
distinguishing previous works by certain criteria (introduced by a review paper
written by Ahmed Tealab) so as to summarise those including effective
information. The summarised information is then unified and expressed through a
common terminology that can be applied to different steps of a time series
forecasting task.
The last but not least purpose of this thesis is to elaborate on a
mathematical framework on which ANNs are based. We are going to use the
framework introduced in the book "Neural Networks in Mathematical Framework" by
Anthony L. Caterini in which the structure of a generic neural network is
introduced and the gradient descent algorithm (which incorporates
backpropagation) is introduced in terms of their described framework. In the
end, we use this framework for a specific architecture, which is recurrent
neural networks on which we concentrated and our implementations are based. The
book proves its theorems mostly for classification case. Instead, we proved
theorems for regression case, which is the case of our problem.
- Abstract（参考訳）: この論文は、ゴールドマン・サックス(GS)とゼネラル・エレクトリック(GE)の2つの株式の予測を主な目的としている。
株価の予測には長期記憶(LSTM)モデルを用い,GSと比較的密接な相関関係にある他の2つの株式の価格を入力した。
ARIMAのような他のモデルもベンチマークとして使用された。
株価予測にLSTMを用いる場合の実践的課題を実証した。
大きな変化の1つは、私たちが"forecasting lag"と呼ぶ反復的なラグでした。
第二の目的は、時系列予測のタスクについて、より汎用的で客観的な視点を開発することであり、アンによる任意の予測を支援するために適用することである。
このように、有効な情報を含むものを要約するために、ある基準(アフメド・ティーラブによるレビュー用紙による)で先行作を識別する試みを行う。
要約された情報は、時系列予測タスクの異なるステップに適用可能な共通用語を通して統一され、表現される。
この論文の最後の最も重要な目的は、ANNが基盤とする数学的フレームワークについて詳しく説明することである。
我々は、アンソニー・l・キャタリーニの著書 "neural networks in mathematical framework" で紹介された、ジェネリックニューラルネットワークの構造を導入し、それらのフレームワークの観点で勾配降下アルゴリズム(バックプロパゲーションを組み込んだ)を導入するフレームワークを利用する。
最終的に、私たちはこのフレームワークを、私たちが集中し実装がベースとなっているリカレントニューラルネットワークである、特定のアーキテクチャに使用しています。
本書は、その定理を主に分類ケースで証明している。
代わりに、回帰の場合の定理を証明し、これは我々の問題の場合である。
関連論文リスト
- Time Elastic Neural Networks [2.1756081703276]
時間弾性ニューラルネットワーク(teNN)という,非定型ニューラルネットワークアーキテクチャの導入と詳細化について述べる。
古典的ニューラルネットワークアーキテクチャと比較して新しいのは、時間ゆがみ能力を明確に組み込んでいることだ。
トレーニング過程において,TENNは各細胞に必要となるニューロン数を減少させることに成功した。
論文 参考訳（メタデータ） (2024-05-27T09:01:30Z) - Towards Better Out-of-Distribution Generalization of Neural Algorithmic
Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。
目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文 参考訳（メタデータ） (2022-11-01T18:33:20Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Spatiotemporal Weather Data Predictions with Shortcut
Recurrent-Convolutional Networks: A Solution for the Weather4cast challenge [0.0]
本稿では、著者がWeather4cast 2021 Challenge Stage 1で使用したニューラルネットワークモデルについて述べる。
目的は、衛星ベースの気象データ画像の時間的進化を予測することである。
ネットワークは、ゲートリカレントユニット(GRU)、残留ブロック、U-Netに似たショートカットを持つ縮小/拡張アーキテクチャを利用するエンコーダ・フォカスターアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-03T10:36:47Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Predicting Deep Neural Network Generalization with Perturbation Response
Curves [58.8755389068888]
トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。
具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。
PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
論文 参考訳（メタデータ） (2021-06-09T01:37:36Z) - Price graphs: Utilizing the structural information of financial time
series for stock prediction [4.4707451544733905]
株価予測に関する両問題に対処する新しい枠組みを提案する。
時系列を複雑なネットワークに変換するという点では、市場価格をグラフに変換する。
予測モデル入力として時間点間の関係を表すためにグラフ埋め込みを用いる。
論文 参考訳（メタデータ） (2021-06-04T14:46:08Z) - Interpreting Graph Neural Networks for NLP With Differentiable Edge
Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。
本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。
モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文 参考訳（メタデータ） (2020-10-01T17:51:19Z) - Prediction of Hilbertian autoregressive processes : a Recurrent Neural
Network approach [0.0]
本稿では,自己相関演算子をニューラルネットワーク学習手法と比較し,古典的予測手法を提案する。
後者は、Recurrent Neural Networksの人気のあるバージョンであるLong Short Term Memory Networkに基づいている。
論文 参考訳（メタデータ） (2020-08-25T16:43:24Z) - CSNE: Conditional Signed Network Embedding [77.54225346953069]
署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。
サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。
条件付き符号付きネットワーク埋め込み(CSNE)を導入する。
我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
論文 参考訳（メタデータ） (2020-05-19T19:14:52Z) - Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series [0.2793095554369281]
本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
論文 参考訳（メタデータ） (2020-03-27T00:53:11Z)
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。