Fugu-MT 論文翻訳(概要): A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data

論文の概要: A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data

arxiv url: http://arxiv.org/abs/2010.07404v1
Date: Sun, 11 Oct 2020 10:42:02 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 13:17:00.386428
Title: A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data
Title（参考訳）: 取引データからのデジタル資産価格変動予測のためのディープラーニングフレームワーク
Authors: Qi Zhao
Abstract要約: 本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
参考スコア（独自算出の注目度）: 20.392440676633573
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.
Abstract（参考訳）: 本稿では,取引毎のデータから暗号通貨の価格変動を予測する,long short-term memory network(lstm)に基づくディープラーニングフレームワークを提案する。本研究の主な焦点は、振り返り期間から固定時間地平線における短期的価格変動の予測である。特徴を慎重に設計し、最適なハイパーパラメーターの詳細な探索を行うことで、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するよう訓練されている。最適モデルは、サンプル外のテスト期間で安定したハイパフォーマンス(60%以上の精度)を提供する。現実的な取引シミュレーション設定では、モデルによる予測は簡単に収益化できる。また, lstmモデルでは, 学習パラメータがトレーニングデータに含まれない他の暗号通貨機器に対して高い性能を保っているため, 取引データから普遍的な特徴を抽出することができた。本研究は,使用データのスケールと精度,および高い予測精度の点で,既存の研究を上回っている。

関連論文リスト

Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。 CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
論文参考訳（メタデータ） (2024-09-25T22:09:59Z)
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)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文参考訳（メタデータ） (2024-02-23T10:21:07Z)
Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。 LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
論文参考訳（メタデータ） (2023-12-09T07:53:25Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
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)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)
Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models [0.0]
本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
論文参考訳（メタデータ） (2020-11-07T16:07:10Z)
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)
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。