論文の概要: Applying Convolutional Neural Networks for Stock Market Trends Identification

• arxiv url: http://arxiv.org/abs/2104.13948v1
• Date: Mon, 19 Apr 2021 14:43:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 19:46:39.656373
• Title: Applying Convolutional Neural Networks for Stock Market Trends Identification
• Title（参考訳）: 畳み込みニューラルネットワークの株式市場トレンド識別への応用
• Authors: Ekaterina Zolotareva
• Abstract要約: 私たちは、数日ではなく数ヶ月続く長期的なトレンドを探求することを目指している。 株価データのみに基づくさまざまなモデルにもかかわらず、一部の市場専門家は、トレーダーは隠れた機会を見ることができると主張している。 この論文は、第20回人工知能とソフトコンピューティングWebシステムに関する国際会議(ICAISC 2021)で発表された研究の全文です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper we apply a specific type ANNs - convolutional neural networks (CNNs) - to the problem of finding start and endpoints of trends, which are the optimal points for entering and leaving the market. We aim to explore long-term trends, which last several months, not days. The key distinction of our model is that its labels are fully based on expert opinion data. Despite the various models based solely on stock price data, some market experts still argue that traders are able to see hidden opportunities. The labelling was done via the GUI interface, which means that the experts worked directly with images, not numerical data. This fact makes CNN the natural choice of algorithm. The proposed framework requires the sequential interaction of three CNN submodels, which identify the presence of a changepoint in a window, locate it and finally recognize the type of new tendency - upward, downward or flat. These submodels have certain pitfalls, therefore the calibration of their hyperparameters is the main direction of further research. The research addresses such issues as imbalanced datasets and contradicting labels, as well as the need for specific quality metrics to keep up with practical applicability. This paper is the full text of the research, presented at the 20th International Conference on Artificial Intelligence and Soft Computing Web System (ICAISC 2021)
• Abstract（参考訳）: 本稿では、市場への参入と離脱の最適なポイントであるトレンドの開始と終端を見つける問題に対して、特定のタイプのANN(畳み込みニューラルネットワーク(CNN))を適用する。 私たちは、数日ではなく数ヶ月続く長期的なトレンドを探求することを目指している。 我々のモデルの主な違いは、そのラベルが専門家の意見データに基づくものであることです。 株価データのみに基づくさまざまなモデルにもかかわらず、一部の市場専門家はトレーダーが隠れた機会を見ることができると主張している。 ラベル付けはGUIインターフェースを通じて行われ、専門家は数値データではなく画像を直接処理した。 この事実により、CNNはアルゴリズムの自然な選択となる。 提案フレームワークは3つのCNNサブモデルの逐次的相互作用を必要とし、ウィンドウ内の変更点の存在を特定し、それを特定し、最終的に新しい傾向のタイプ(上向き、下向き、フラット)を認識する。 これらのサブモデルにはある種の落とし穴があるため、ハイパーパラメータの校正がさらなる研究の主要な方向である。 この研究は、不均衡データセットや矛盾するラベルといった問題や、実用的な適用性を維持するための特定の品質指標の必要性に対処している。 本論文は,第20回人工知能・ソフトコンピューティングWebシステム国際会議(ICAISC 2021)で発表された研究の全文である。

関連論文リスト

• Probabilistic Demand Forecasting with Graph Neural Networks [0.0]
  本稿では,従来のグラフニューラルネットワーク(GNN)の研究に基づいて,2つのコントリビューションを行う。 まず、GNNエンコーダを最先端のDeepARモデルに統合する。この組み合わせモデルは確率的予測を生成し、不確実性の下での意思決定に不可欠である。 第2に,事前定義されたグラフ構造に依存しない記事類似性を用いてグラフを構築することを提案する。実世界の3つのデータセットの実験から,提案手法が非グラフベンチマークを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-23T21:20:48Z)
• Survey on Unsupervised Domain Adaptation for Semantic Segmentation for Visual Perception in Automated Driving [23.4168567262989]
  ディープニューラルネットワーク(DNN)は、ロボット工学や自動運転など、過去数年間に多くの分野でその能力を証明してきた。 この進歩と膨大な研究努力にもかかわらず、自動運転におけるDNNの適用性を制限するいくつかの問題に対処する必要がある。 新しい、目に見えないドメインへのDNNの悪い一般化は、安全で大規模なアプリケーションへの道のりで大きな問題である。
  論文  参考訳（メタデータ） (2023-04-24T09:13:23Z)
• Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting [11.730033307068405]
  我々は、92,846社のデータを分析するために、ブラック・スコールズ方程式の新しい経験的数学的モデルを作成し、評価する。 準可逆法 (QRM) を用いて, ある日, 将来のオプション価格を予測し, 逆問題として, 時間内におけるブラック・スコールズ(BS)方程式を解く。 研究の現在の段階は、QRMと畳み込みニューラルネットワーク(CNN)を組み合わせることで、多数のデータポイントを同時に学習する。
  論文  参考訳（メタデータ） (2022-08-25T04:08:59Z)
• 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)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• Perceptual Score: What Data Modalities Does Your Model Perceive? [73.75255606437808]
  モデルが入力特徴の異なる部分集合に依存する度合いを評価する指標である知覚スコアを導入する。 近年,視覚的質問応答に対するマルチモーダルモデルでは,前者よりも視覚的データを知覚しにくい傾向がみられた。 知覚スコアを使用することで、スコアをデータサブセットのコントリビューションに分解することで、モデルのバイアスを分析することもできる。
  論文  参考訳（メタデータ） (2021-10-27T12:19:56Z)
• Mixture of Linear Models Co-supervised by Deep Neural Networks [14.831346286039151]
  本稿では,比較的単純な説明可能なモデルとディープニューラルネットワーク(DNN)モデルとのギャップを埋めるためのアプローチを提案する。 私たちの主なアイデアは、DNNからのガイダンスでトレーニングされた差別モデルの組み合わせです。
  論文  参考訳（メタデータ） (2021-08-05T02:08:35Z)
• Wide and Deep Graph Neural Network with Distributed Online Learning [174.8221510182559]
  グラフニューラルネットワーク(GNN)は、ネットワークデータから表現を学習するための、自然に分散したアーキテクチャである。 オンライン学習は、この問題を克服するためにテスト時にGNNを再トレーニングするために利用することができる。 本稿では,分散オンライン学習機構で更新可能な新しいアーキテクチャであるWide and Deep GNN(WD-GNN)を開発する。
  論文  参考訳（メタデータ） (2021-07-19T23:56:48Z)
• Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions [0.0]
  本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。 Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
  論文  参考訳（メタデータ） (2020-08-08T08:42:46Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Benchmarking Graph Neural Networks [75.42159546060509]
  グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。 成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。 GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
  論文  参考訳（メタデータ） (2020-03-02T15:58:46Z)

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。