論文の概要: Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models
- arxiv url: http://arxiv.org/abs/2010.13891v1
- Date: Thu, 22 Oct 2020 03:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 08:19:32.166999
- Title: Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models
- Title（参考訳）: CNNとLSTMに基づくディープラーニングモデルを用いた株価予測
- Authors: Sidra Mehtab and Jaydip Sen
- Abstract要約: 本稿では,株価予測のための深層学習モデルについて述べる。
インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を利用する。
我々の提案には、畳み込みニューラルネットワーク上に構築された2つの回帰モデルと、3つの長期記憶ネットワークに基づく予測モデルが含まれる。
- 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: Designing robust and accurate predictive models for stock price prediction
has been an active area of research for a long time. While on one side, the
supporters of the efficient market hypothesis claim that it is impossible to
forecast stock prices accurately, many researchers believe otherwise. There
exist propositions in the literature that have demonstrated that if properly
designed and optimized, predictive models can very accurately and reliably
predict future values of stock prices. This paper presents a suite of deep
learning based models for stock price prediction. We use the historical records
of the NIFTY 50 index listed in the National Stock Exchange of India, during
the period from December 29, 2008 to July 31, 2020, for training and testing
the models. Our proposition includes two regression models built on
convolutional neural networks and three long and short term memory network
based predictive models. To forecast the open values of the NIFTY 50 index
records, we adopted a multi step prediction technique with walk forward
validation. In this approach, the open values of the NIFTY 50 index are
predicted on a time horizon of one week, and once a week is over, the actual
index values are included in the training set before the model is trained
again, and the forecasts for the next week are made. We present detailed
results on the forecasting accuracies for all our proposed models. The results
show that while all the models are very accurate in forecasting the NIFTY 50
open values, the univariate encoder decoder convolutional LSTM with the
previous two weeks data as the input is the most accurate model. On the other
hand, a univariate CNN model with previous one week data as the input is found
to be the fastest model in terms of its execution speed.
- Abstract（参考訳）: 株価予測のための堅牢で正確な予測モデルの設計は、長い間研究の活発な領域であった。
一方、効率的な市場仮説の支持者は、株価を正確に予測することは不可能だと主張しているが、多くの研究者はそうは考えていない。
適切に設計され最適化されれば、予測モデルが非常に正確かつ確実に株価の将来の値を予測できることを実証した文献には提案がある。
本稿では,株価予測のための深層学習モデルについて述べる。
我々は、2008年12月29日から2020年7月31日までの期間に、インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を用いて、モデルをトレーニングし、試験する。
提案手法は畳み込みニューラルネットワークに基づく2つの回帰モデルと3つの長期記憶ネットワークに基づく予測モデルを含む。
NIFTY 50インデックスレコードのオープン値を予測するために,ウォーキングフォワード検証を用いた多段階予測手法を採用した。
このアプローチでは、1週間の時間軸でニフス50指数の公開値を予測し、1週間に1回終了すれば、モデルの再トレーニング前のトレーニングセットに実際のインデックス値が含まれ、次の週の予測が行われる。
提案した全てのモデルに対する予測精度に関する詳細な結果を示す。
その結果、全てのモデルがNIFTY 50オープン値の予測に非常に正確であるが、入力が最も正確なモデルであるため、前の2週間のデータと一変エンコーダデコーダ畳み込みLSTMが一致することがわかった。
一方、入力として1週間のデータを持つ単変量CNNモデルは、実行速度において最速のモデルであることが判明した。
関連論文リスト
- GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。
GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。
GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
論文 参考訳（メタデータ） (2024-10-14T11:29:38Z) - 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 Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。
自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文 参考訳（メタデータ） (2024-02-08T16:45:01Z) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳（メタデータ） (2022-02-01T18:15:24Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - 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) - Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。
1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。
我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文 参考訳（メタデータ） (2020-11-05T01:52:11Z) - Stock Price Prediction Using Machine Learning and LSTM-Based Deep
Learning Models [1.335161061703997]
本稿では,異なる機械学習モデルとディープラーニングモデルを構築するための,株価予測のためのハイブリッドモデリング手法を提案する。
2014年12月29日から2020年7月31日まで、インドの国立証券取引所(NSE)のNIFTY50指数を用いた。
我々は,LSTM回帰モデルを用いて,アーキテクチャや入力データの構造に異なる4つの異なるモデルを用いて,将来のNIFTY 50オープン値を予測する。
論文 参考訳（メタデータ） (2020-09-20T20:32:33Z) - ProphetNet: Predicting Future N-gram for Sequence-to-Sequence
Pre-training [85.35910219651572]
本稿ではProphetNetと呼ばれる新しいシーケンス・ツー・シーケンス事前学習モデルを提案する。
将来的なn-gram予測という,新たな自己教師型目標を導入している。
我々は,CNN/DailyMail,Gigaword,SQuAD 1.1ベンチマークを用いて,抽象的な要約と質問生成タスクの実験を行った。
論文 参考訳（メタデータ） (2020-01-13T05:12:38Z) - Stock Price Prediction Using Convolutional Neural Networks on a
Multivariate Timeseries [0.0]
機械学習アプローチを使用して様々な予測モデルを構築し、そのモデルを使用して、2019年のNIFTY 50のクローズバリューを予測する。
NIFTY指数運動パターンの予測には,多くの分類法を用い,NIFTY指数の実際の閉値の予測には様々な回帰モデルを構築した。
我々は、予測に使用する変数の数が異なる3つのアプローチを用いて、将来のNIFTY指数値を予測する際のCNNの力を利用する。
論文 参考訳（メタデータ） (2020-01-10T03:27:08Z)
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。