Fugu-MT 論文翻訳(概要): Prediction of financial time series using LSTM and data denoising methods

論文の概要: Prediction of financial time series using LSTM and data denoising methods

arxiv url: http://arxiv.org/abs/2103.03505v1
Date: Fri, 5 Mar 2021 07:32:36 GMT
ステータス: 処理完了
システム内更新日: 2021-03-09 09:53:05.937147
Title: Prediction of financial time series using LSTM and data denoising methods
Title（参考訳）: LSTMとデータデノイジング法を用いた金融時系列の予測
Authors: Qi Tang and Tongmei Fan and Ruchen Shi and Jingyan Huang and Yidan Ma
Abstract要約: 本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
参考スコア（独自算出の注目度）: 0.29923891863939933
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In order to further overcome the difficulties of the existing models in dealing with the non-stationary and nonlinear characteristics of high-frequency financial time series data, especially its weak generalization ability, this paper proposes an ensemble method based on data denoising methods, including the wavelet transform (WT) and singular spectrum analysis (SSA), and long-term short-term memory neural network (LSTM) to build a data prediction model, The financial time series is decomposed and reconstructed by WT and SSA to denoise. Under the condition of denoising, the smooth sequence with effective information is reconstructed. The smoothing sequence is introduced into LSTM and the predicted value is obtained. With the Dow Jones industrial average index (DJIA) as the research object, the closing price of the DJIA every five minutes is divided into short-term (1 hour), medium-term (3 hours) and long-term (6 hours) respectively. . Based on root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE) and absolute percentage error standard deviation (SDAPE), the experimental results show that in the short-term, medium-term and long-term, data denoising can greatly improve the accuracy and stability of the prediction, and can effectively improve the generalization ability of LSTM prediction model. As WT and SSA can extract useful information from the original sequence and avoid overfitting, the hybrid model can better grasp the sequence pattern of the closing price of the DJIA. And the WT-LSTM model is better than the benchmark LSTM model and SSA-LSTM model.
Abstract（参考訳）: In order to further overcome the difficulties of the existing models in dealing with the non-stationary and nonlinear characteristics of high-frequency financial time series data, especially its weak generalization ability, this paper proposes an ensemble method based on data denoising methods, including the wavelet transform (WT) and singular spectrum analysis (SSA), and long-term short-term memory neural network (LSTM) to build a data prediction model, The financial time series is decomposed and reconstructed by WT and SSA to denoise. 雑音化条件下では、有効な情報を有する平滑なシーケンスを再構成する。 LSTMに平滑化シーケンスを導入し、予測値を得る。ダウ・ジョーンズ工業平均指数(DJIA)を研究対象とし、5分ごとにDJIAの終了価格を短期(1時間)、中期(3時間)、長期(6時間)に分けます。 . ルート平均二乗誤差(RMSE)、平均絶対誤差(MAE)、平均絶対パーセンテージ誤差(MAPE)および絶対パーセンテージ誤差標準偏差(SDAPE)に基づいて、実験結果は、短期的、中期的、長期的データ解読において、予測の精度と安定性を大幅に向上させ、LSTM予測モデルの一般化能力を効果的に改善できることを示しています。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。 WT-LSTMモデルはベンチマークLSTMモデルとSSA-LSTMモデルよりも優れています。

関連論文リスト

Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文参考訳（メタデータ） (2023-05-22T17:02:15Z)
Extreme-Long-short Term Memory for Time-series Prediction [0.0]
Long Short-Term Memory (LSTM)は、新しいタイプのリカレントニューラルネットワーク(RNN)である本稿では,高度なLSTMアルゴリズムであるExtreme Long Short-Term Memory (E-LSTM)を提案する。新しいE-LSTMは、7番目のエポックなLSTMの結果を得るためには2エポックしか必要としない。
論文参考訳（メタデータ） (2022-10-15T09:45:48Z)
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)
Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文参考訳（メタデータ） (2022-03-01T16:33:15Z)
Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文参考訳（メタデータ） (2022-01-20T15:17:26Z)
Macroeconomic forecasting with LSTM and mixed frequency time series data [0.0]
まず,混合周波数で観測される時系列に従来型LSTMモデルを適用する方法について述べる。次に、制約のない混合DAtaSamplingスキーム(U-MIDAS)をLSTMアーキテクチャに適用する。提案手法は,短期予測の大規模景気後退期において非常に有効である可能性が示唆された。
論文参考訳（メタデータ） (2021-09-28T14:56:37Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
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)
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)
Ensemble long short-term memory (EnLSTM) network [0.456877715768796]
本稿では,小さなデータセットでトレーニングし,逐次データを処理するアンサンブル長短期記憶(EnLSTM)ネットワークを提案する。 EnLSTMは平均2乗誤差(MSE)を34%削減したウェルログを生成する最先端モデルであることが証明されている。
論文参考訳（メタデータ） (2020-04-26T05:42:18Z)

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。