Fugu-MT 論文翻訳(概要): Stock Market Trend Analysis Using Hidden Markov Model and Long Short Term Memory

論文の概要: Stock Market Trend Analysis Using Hidden Markov Model and Long Short Term Memory

arxiv url: http://arxiv.org/abs/2104.09700v1
Date: Tue, 20 Apr 2021 00:49:13 GMT
ステータス: 処理完了
システム内更新日: 2021-04-22 02:02:07.727199
Title: Stock Market Trend Analysis Using Hidden Markov Model and Long Short Term Memory
Title（参考訳）: 隠れマルコフモデルと長期記憶を用いた株式市場の動向分析
Authors: Mingwen Liu, Junbang Huo, Yulin Wu, Jinge Wu
Abstract要約: 本稿では,隠れマルコフモデルを株式市場に適用し,予測を行う。 GMM-HMM, XGB-HMM, GMM-HMM+LSTM, XGB-HMM+LSTMの4つの改良手法について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper intends to apply the Hidden Markov Model into stock market and and make predictions. Moreover, four different methods of improvement, which are GMM-HMM, XGB-HMM, GMM-HMM+LSTM and XGB-HMM+LSTM, will be discussed later with the results of experiment respectively. After that we will analyze the pros and cons of different models. And finally, one of the best will be used into stock market for timing strategy.
Abstract（参考訳）: 本稿では,隠れマルコフモデルを株式市場に適用し,予測を行う。さらに, GMM-HMM, XGB-HMM, GMM-HMM+LSTM, XGB-HMM+LSTMの4つの改良法について, それぞれ実験結果について考察する。その後、さまざまなモデルの長所と短所を分析します。そして最後に、タイミング戦略のために株式市場で使われるのがベストの1つだ。

関連論文リスト

FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics [3.6423651166048874]
本稿では,双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとFinBERTを併用して,暗号通貨の予測精度を向上させるハイブリッドモデルを提案する。このアプローチは、先進的な時系列モデルと感情分析を組み合わせることで、不安定な金融市場の予測において重要なギャップを埋める。
論文参考訳（メタデータ） (2024-11-02T14:43:06Z)
Margin Matching Preference Optimization: Enhanced Model Alignment with Granular Feedback [64.67540769692074]
人間のフィードバックからの強化学習など、アライメント技術で微調整された大規模言語モデル(LLM)は、これまでで最も有能なAIシステムの開発に役立っている。マージンマッチング選好最適化(MMPO)と呼ばれる手法を導入し、相対的な品質マージンを最適化し、LLMポリシーと報酬モデルを改善する。人間とAIの両方のフィードバックデータによる実験によると、MMPOはMT-benchやRewardBenchといった一般的なベンチマークにおいて、ベースラインメソッドよりも一貫してパフォーマンスが向上している。
論文参考訳（メタデータ） (2024-10-04T04:56:11Z)
Combining supervised and unsupervised learning methods to predict financial market movements [0.0]
創発的で確立した金融市場から抽出した新たな特徴を同定する。私たちは、Bitcoin、Pepecoin、Nasdaqの市場からのマイクロロウソクで構成される約6ヶ月のデータを使用しました。我々は、市場の動きを分類するためにランダムフォレスト(RF)やK-Nearest Neighbours(KNN)など、さまざまな機械学習戦略の性能について検討した。
論文参考訳（メタデータ） (2024-08-19T13:17:36Z)
A quantitative fusion strategy of stock picking and timing based on Particle Swarm Optimized-Back Propagation Neural Network and Multivariate Gaussian-Hidden Markov Model [0.0]
本研究は,ストックタイミングとピック戦略を組み合わせた定量的核融合モデルを提案する。我々はMGHMMが訓練した株と株式市場の状態に基づいて、予測と取引を行う。本論文で提示する株式の選定とタイミングを取り入れた融合戦略は、金融分析の革新的な技術である。
論文参考訳（メタデータ） (2023-12-10T04:33:59Z)
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)
Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文参考訳（メタデータ） (2021-12-08T14:55:21Z)
BERTifying the Hidden Markov Model for Multi-Source Weakly Supervised Named Entity Recognition [57.2201011783393]
条件付き隠れマルコフモデル(CHMM) CHMMは、入力トークンのBERT埋め込みからトークン単位の遷移と放出確率を予測する。 BERTベースのNERモデルを微調整し、ラベルをCHMMで推論する。
論文参考訳（メタデータ） (2021-05-26T21:18:48Z)
Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。データは2013-2014年の電力価格、2015年のテストデータで提供された。
論文参考訳（メタデータ） (2020-10-14T12:45:53Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)
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 new approach for trading based on Long Short Term Memory technique [0.0]
我々は,翌日の閉会価格を予測するために,2時間周波数(年次および日次パラメータ)を含むLong Term Memory(LSTM)モデルを構築した。オープン・ハイ・ロー・クローズな指標やその他の金融比率に基づいて、このアプローチは株式市場の予測を改善することができることを証明している。
論文参考訳（メタデータ） (2020-01-10T07:56:30Z)

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。