Fugu-MT 論文翻訳(概要): Volatility Modeling of Stocks from Selected Sectors of the Indian Economy Using GARCH

論文の概要: Volatility Modeling of Stocks from Selected Sectors of the Indian Economy Using GARCH

arxiv url: http://arxiv.org/abs/2105.13898v1
Date: Fri, 28 May 2021 14:59:40 GMT
ステータス: 処理完了
システム内更新日: 2021-05-31 13:22:01.454686
Title: Volatility Modeling of Stocks from Selected Sectors of the Indian Economy Using GARCH
Title（参考訳）: ガーチを用いたインド経済の選択部門からの株式のボラティリティモデリング
Authors: Jaydip Sen, Sidra Mehtab, Abhishek Dutta
Abstract要約: インド証券取引所(NSE)に上場している10銘柄のボラティリティをモデル化するための,一般化自己回帰的条件付き不均質(GARCH)フレームワークに基づくいくつかのボラティリティモデルを提案する。 2010年1月1日から2021年4月30日までの歴史的株価記録は、Pythonプログラミング言語のPandasモジュールのDataReader APIを使用してYahoo Financeのウェブサイトから取り除かれた。結果から、非対称GARCHモデルにより、将来の株価のボラティリティに関するより正確な予測が得られることが示された。
参考スコア（独自算出の注目度）: 1.2891210250935146
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Volatility clustering is an important characteristic that has a significant effect on the behavior of stock markets. However, designing robust models for accurate prediction of future volatilities of stock prices is a very challenging research problem. We present several volatility models based on generalized autoregressive conditional heteroscedasticity (GARCH) framework for modeling the volatility of ten stocks listed in the national stock exchange (NSE) of India. The stocks are selected from the auto sector and the banking sector of the Indian economy, and they have a significant impact on the sectoral index of their respective sectors in the NSE. The historical stock price records from Jan 1, 2010, to Apr 30, 2021, are scraped from the Yahoo Finance website using the DataReader API of the Pandas module in the Python programming language. The GARCH modules are built and fine-tuned on the training data and then tested on the out-of-sample data to evaluate the performance of the models. The analysis of the results shows that asymmetric GARCH models yield more accurate forecasts on the future volatility of stocks.
Abstract（参考訳）: 変動性クラスタリングは、株式市場の行動に重大な影響を与える重要な特徴である。しかし、将来の株価変動を正確に予測するためのロバストモデルの設計は、非常に困難な研究課題である。インド証券取引所(NSE)に上場している10銘柄のボラティリティをモデル化するための,一般化自己回帰的条件付き不均質(GARCH)フレームワークに基づくいくつかのボラティリティモデルを提案する。株式はインド経済の自動車部門と銀行部門から選ばれ、NSEの各セクターのセクター指数に大きな影響を与えている。 2010年1月1日から2021年4月30日までの歴史的株価記録は、Pythonプログラミング言語のPandasモジュールのDataReader APIを使用してYahoo Financeのウェブサイトから取り除かれた。 GARCHモジュールはトレーニングデータに基づいて構築され、微調整され、モデルの性能を評価するためにサンプル外のデータでテストされる。分析の結果、非対称ガーチモデルが将来の株式のボラティリティをより正確に予測できることがわかった。

関連論文リスト

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)
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)
Stock Volatility Prediction using Time Series and Deep Learning Approach [0.0]
本稿では,GARCH,Glosten-Jagannathan-GARCH,Exponential General Autoregressive Conditional heteroskedastic(EGARCH),LSTMフレームワークに依存する複数のボラティリティモデルを提案する。これまで検討されてきた分野は、銀行、情報技術(IT)、製薬である。
論文参考訳（メタデータ） (2022-10-05T10:03:32Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model [0.0]
本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
論文参考訳（メタデータ） (2021-11-09T07:50:48Z)
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)
Two-Stage Sector Rotation Methodology Using Machine Learning and Deep Learning Techniques [0.0]
市場指標とランキングセクターを用いて各セクターのETF価格を予測する2段階の手法を提案する。実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。
論文参考訳（メタデータ） (2021-08-05T20:32:59Z)
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
論文参考訳（メタデータ） (2021-06-17T17:15:02Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文参考訳（メタデータ） (2020-12-10T01:15:48Z)
Share Price Prediction of Aerospace Relevant Companies with Recurrent Neural Networks based on PCA [13.033705947070931]
主成分分析(PCA)とリカレントニューラルネットワークを組み合わせたハイブリッド予測モデルを提案する。財務データ、抽出された特徴、アルゴリズム、パラメータなど、様々な要因が予測モデルの性能に影響を与える可能性がある。開発されたアプローチは、新型コロナウイルス(COVID-19)以降の航空宇宙産業の株価を予測するために使用することができる。
論文参考訳（メタデータ） (2020-08-26T20:16:33Z)

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。