論文の概要: TI-Capsule: Capsule Network for Stock Exchange Prediction

• arxiv url: http://arxiv.org/abs/2102.07718v1
• Date: Mon, 15 Feb 2021 18:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 15:35:57.182217
• Title: TI-Capsule: Capsule Network for Stock Exchange Prediction
• Title（参考訳）: TIカプセル:株価予測のためのカプセルネットワーク
• Authors: Ramin Mousa, Sara Nazari, Ali Karhe Abadi, Reza Shoukhcheshm, Mohammad Niknam Pirzadeh, Leila Safari
• Abstract要約: この研究は、金融テキストとキャンドルスティック画像上のカプセルネットワークを使用してEUR / USD株式の行動を予測することです。 提案モデルであるTI-Capsule (Text and Image information based Capsule Neural Network)は,テキスト情報と画像情報の両方を同時にトレーニングする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today, the use of social networking data has attracted a lot of academic and commercial attention in predicting the stock market. In most studies in this area, the sentiment analysis of the content of user posts on social networks is used to predict market fluctuations. Predicting stock marketing is challenging because of the variables involved. In the short run, the market behaves like a voting machine, but in the long run, it acts like a weighing machine. The purpose of this study is to predict EUR/USD stock behavior using Capsule Network on finance texts and Candlestick images. One of the most important features of Capsule Network is the maintenance of features in a vector, which also takes into account the space between features. The proposed model, TI-Capsule (Text and Image information based Capsule Neural Network), is trained with both the text and image information simultaneously. Extensive experiments carried on the collected dataset have demonstrated the effectiveness of TI-Capsule in solving the stock exchange prediction problem with 91% accuracy.
• Abstract（参考訳）: 今日、ソーシャルネットワークデータの利用は、株式市場の予測に多くの学術的および商業的関心を惹きつけている。 この分野のほとんどの研究では、ソーシャルネットワーク上のユーザー投稿の内容の感情分析が市場の変動を予測するために使用されます。 関連する変数のため、株式マーケティングの予測は困難です。 短期的には市場は投票マシンのように振る舞うが、長期的には計量マシンのように振る舞う。 この研究の目的は、金融テキストとキャンドルスティック画像上のカプセルネットワークを使用してEUR / USD株式の行動を予測することです。 Capsule Networkの最も重要な特徴の1つは、ベクター内の機能の維持であり、機能間のスペースも考慮します。 提案モデルであるTI-Capsule (Text and Image information based Capsule Neural Network)は,テキスト情報と画像情報の両方を同時にトレーニングする。 収集したデータセットを用いた大規模な実験により、TI-Capsule が株価予測問題を91%の精度で解いた。

関連論文リスト

• Effect of Leaders Voice on Financial Market: An Empirical Deep Learning Expedition on NASDAQ, NSE, and Beyond [1.6622844933418388]
  異なる分野のリーダーのTwitterハンドルのNLP分析に基づいて、ディープラーニングに基づくモデルを提案し、金融市場のトレンドを予測する。 インドとアメリカの金融市場は、将来他の市場が取られるように、現在の作業で探索されている。
  論文  参考訳（メタデータ） (2024-03-18T18:19:08Z)
• Do Weibo platform experts perform better at predicting stock market? [0.8999666725996978]
  Weiboのソーシャルネットワーキングプラットフォームは、感情データ収集のソースとして使用されている。 Weiboのユーザは、認可金融アドバイザー(AFA)と無認可金融アドバイザー(UFA)グループに分けられる。 香港ハンセン指数は、歴史的株式市場の変化データを抽出するために使用されている。
  論文  参考訳（メタデータ） (2024-02-12T10:04:54Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• Harnessing the Power of Text-image Contrastive Models for Automatic Detection of Online Misinformation [50.46219766161111]
  誤情報識別の領域における構成的学習を探求する自己学習モデルを構築した。 本モデルでは、トレーニングデータが不十分な場合、非マッチング画像-テキストペア検出の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-19T02:53:59Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends [0.5249805590164902]
  市場の動向を予測するための感情属性よりも文脈埋め込みの形での意味的特徴が重要であるかを検討する。 当社は、NASDAQの資本化による大手企業に関連するTwitter投稿のコーパスとその価格設定について検討する。 以上の結果から,感情的特徴の活用により,有意な頻度で測定値が上昇することが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T18:30:15Z)
• TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data [1.5749416770494706]
  TM-vectorを導入し、次にこのベクトルを使ってIndRNNをトレーニングし、最終的に市場のユーザの振る舞いをモデル化します。 提案モデルでは,抽出したTwitter機能と市場情報の両方でTM-vectorを同時にトレーニングする。 提案手法の有効性には様々な要因が用いられている。
  論文  参考訳（メタデータ） (2023-03-13T18:55:41Z)
• 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)
• Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data [0.0]
  ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。 このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。 精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T21:57:18Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)

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。