Fugu-MT 論文翻訳(概要): Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction

論文の概要: Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction

arxiv url: http://arxiv.org/abs/2106.01920v1
Date: Thu, 3 Jun 2021 15:14:46 GMT
ステータス: 処理完了
システム内更新日: 2021-06-04 14:13:10.673283
Title: Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction
Title（参考訳）: 株価変動予測における畳み込みニューラルネットワーク(CNN/ConvNet)
Authors: Kunal Bhardwaj
Abstract要約: 本稿では,市場において,畳み込みニューラルネットワーク(CNN/ConvNet)と呼ばれる,特定のタイプのニューラルネットワークの利用を試みた。私は、過去の株価データに基づいて畳み込みニューラルネットワークを構築し、訓練し、その後、株価の動きを予測しようとしました。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With technological advancements and the exponential growth of data, we have been unfolding different capabilities of neural networks in different sectors. In this paper, I have tried to use a specific type of Neural Network known as Convolutional Neural Network(CNN/ConvNet) in the stock market. In other words, I have tried to construct and train a convolutional neural network on past stock prices data and then tried to predict the movement of stock price i.e. whether the stock price would rise or fall, in the coming time.
Abstract（参考訳）: 技術進歩とデータの指数的な成長により、私たちはさまざまな分野のニューラルネットワークの能力を広げてきました。本稿では,市場において,畳み込みニューラルネットワーク(CNN/ConvNet)と呼ばれる,特定のタイプのニューラルネットワークの利用を試みた。言い換えれば、私は過去の株価データに基づいて畳み込みニューラルネットワークを構築し、訓練し、株価の動きを予測しようとしたのです。株価が上昇するか下落するかは、今後どうなるかだ。

関連論文リスト

Comparison of algorithms in Foreign Exchange Rate Prediction [0.0]
本稿では,3大通貨であるユーロ,パウンド・スターリング,USドルに対するネパール・ルピー間の予測モデルを開発する。 Feed forward Neural Network、Simple Recurrent Neural Network (SRNN)、Gated Recurrent Unit (GRU)、Long Short Term Memory (LSTM)といった異なるANNアーキテクチャモデルが使用された。本研究では,LSTM ネットワークが SRNN や GRU ネットワークよりも優れた結果を示した。
論文参考訳（メタデータ） (2024-04-06T01:07:38Z)
Stock Price Prediction using Dynamic Neural Networks [0.0]
本稿では,日替わりの株価を予測するための時系列動的ニューラルネットワークの解析と実装について述べる。ニューラルネットワークは、カオス的、非線形、そして一見ランダムなデータの基本パターンを識別する非通過能力を持っている。
論文参考訳（メタデータ） (2023-06-18T20:06:44Z)
Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文参考訳（メタデータ） (2022-09-16T06:36:06Z)
Rapid training of quantum recurrent neural network [26.087244189340858]
本稿では,これらの障害に対処する量子リカレントニューラルネットワーク(QRNN)を提案する。ネットワークの設計は連続変数量子コンピューティングのパラダイムに基づいている。数値シミュレーションにより、QRNNは古典的ネットワークよりも少ないエポックで最適な重みに収束していることが示された。
論文参考訳（メタデータ） (2022-07-01T12:29:33Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
Combining Spiking Neural Network and Artificial Neural Network for Enhanced Image Classification [1.8411688477000185]
生物学的脳シナプスによく似たSNN(spiking neural Network)は、低消費電力のために注目を集めている。我々は、関係する性能を改善する汎用ハイブリッドニューラルネットワーク(hnn)を構築した。
論文参考訳（メタデータ） (2021-02-21T12:03:16Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
Spiking Neural Networks -- Part I: Detecting Spatial Patterns [38.518936229794214]
Spiking Neural Networks(SNN)は生物学的にインスパイアされた機械学習モデルで、バイナリとスパーススパイキング信号をイベント駆動のオンラインな方法で処理する動的ニューラルモデルに基づいている。 SNNは、学習と推論のためのエネルギー効率の良いコプロセッサとして出現しているニューロモルフィックコンピューティングプラットフォーム上で実装することができる。
論文参考訳（メタデータ） (2020-10-27T11:37:22Z)
A Practical Tutorial on Graph Neural Networks [49.919443059032226]
グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
論文参考訳（メタデータ） (2020-10-11T12:36:17Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。