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
- 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) - NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative
Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。
NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。
厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文 参考訳(メタデータ) (2023-10-01T17:53:23Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
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) - Stock Price Prediction Using Time Series, Econometric, Machine Learning,
and Deep Learning Models [0.0]
本稿では,株価予測のための時系列,エコノメトリ,各種学習モデルについて述べる。
2004年1月から2019年12月までのInfosys、ICICI、SUN PHARMAのデータは、ここでモデルのトレーニングとテストに使用された。
火星は最高の機械学習モデルであることが証明され、LSTMは最高のディープラーニングモデルであることが証明された。
論文 参考訳(メタデータ) (2021-11-01T17:17:52Z) - 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) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳(メタデータ) (2021-06-14T02:40:32Z) - 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。