論文の概要: Absolute Value Constraint: The Reason for Invalid Performance Evaluation
Results of Neural Network Models for Stock Price Prediction
- arxiv url: http://arxiv.org/abs/2101.10942v2
- Date: Fri, 19 Mar 2021 03:56:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 08:18:44.036866
- Title: Absolute Value Constraint: The Reason for Invalid Performance Evaluation
Results of Neural Network Models for Stock Price Prediction
- Title（参考訳）: 絶対値制約:株価予測のためのニューラルネットワークモデルの性能評価を無効にする理由
- Authors: Yi Wei
- Abstract要約: 6つの浅いニューラルネットワークを実装し、株価を予測し、4つの予測誤差尺度を用いて評価します。
その結果、予測誤差値は、株価予測のモデル精度を部分的にのみ反映し、モデル予測株価の方向の変化を反映することができないことが示された。
- 参考スコア（独自算出の注目度）: 5.212847826445359
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Neural networks for stock price prediction(NNSPP) have been popular for
decades. However, most of its study results remain in the research paper and
cannot truly play a role in the securities market. One of the main reasons
leading to this situation is that the prediction error(PE) based evaluation
results have statistical flaws. Its prediction results cannot represent the
most critical financial direction attributes. So it cannot provide investors
with convincing, interpretable, and consistent model performance evaluation
results for practical applications in the securities market. To illustrate, we
have used data selected from 20 stock datasets over six years from the Shanghai
and Shenzhen stock market in China, and 20 stock datasets from NASDAQ and NYSE
in the USA. We implement six shallow and deep neural networks to predict stock
prices and use four prediction error measures for evaluation. The results show
that the prediction error value only partially reflects the model accuracy of
the stock price prediction, and cannot reflect the change in the direction of
the model predicted stock price. This characteristic determines that PE is not
suitable as an evaluation indicator of NNSPP. Otherwise, it will bring huge
potential risks to investors. Therefore, this paper establishes an experiment
platform to confirm that the PE method is not suitable for the NNSPP
evaluation, and provides a theoretical basis for the necessity of creating a
new NNSPP evaluation method in the future.
- Abstract（参考訳）: 株価予測のためのニューラルネットワーク(NNSPP)は数十年前から人気がある。
しかし、研究成果の大部分は研究論文に残っており、証券市場において真の役割を果たすことはできない。
この状況に繋がる主な理由の1つは、予測誤差(PE)に基づく評価結果に統計的欠陥があることである。
その予測結果は、最も重要な金融方向の属性を表現できない。
そのため、証券市場における実践的応用のための説得力、解釈性、一貫性のあるモデルパフォーマンス評価結果を投資家に提供することはできない。
説明するために、中国上海と深センの株式市場から6年間で20の株式データセットから選択されたデータと、米国nasdaqとnyseの20の株式データセットを使用しました。
我々は6つの浅い深層ニューラルネットワークを実装し、株価を予測し、4つの予測誤差を評価に用いた。
その結果、予測誤差値は、株価予測のモデル精度を部分的に反映するだけであり、モデル予測株価の方向の変化を反映できないことがわかった。
この特徴は、PEがNSPPの評価指標として適切でないことを決定する。
そうでなければ、投資家に大きなリスクをもたらすことになる。
そこで本論文では,PE法がNSPP評価に適さないことを確認する実験プラットフォームを構築し,今後新たなNSPP評価法を作成する必要があるという理論的根拠を提供する。
関連論文リスト
- 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) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Stock Market Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳（メタデータ） (2023-08-07T14:21:05Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。
RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。
この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-01-26T18:48:51Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳（メタデータ） (2021-04-06T11:09:51Z) - Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models [0.0]
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。
論文 参考訳（メタデータ） (2020-10-22T03:09:07Z)
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。