論文の概要: Price graphs: Utilizing the structural information of financial time series for stock prediction

• arxiv url: http://arxiv.org/abs/2106.02522v1
• Date: Fri, 4 Jun 2021 14:46:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:47:05.250569
• Title: Price graphs: Utilizing the structural information of financial time series for stock prediction
• Title（参考訳）: 物価グラフ:株価予測のための金融時系列構造情報の利用
• Authors: Junran Wu, Ke Xu, Xueyuan Chen, Shangzhe Li and Jichang Zhao
• Abstract要約: 株価予測に関する両問題に対処する新しい枠組みを提案する。 時系列を複雑なネットワークに変換するという点では、市場価格をグラフに変換する。 予測モデル入力として時間点間の関係を表すためにグラフ埋め込みを用いる。
• 参考スコア（独自算出の注目度）: 4.4707451544733905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock prediction, with the purpose of forecasting the future price trends of stocks, is crucial for maximizing profits from stock investments. While great research efforts have been devoted to exploiting deep neural networks for improved stock prediction, the existing studies still suffer from two major issues. First, the long-range dependencies in time series are not sufficiently captured. Second, the chaotic property of financial time series fundamentally lowers prediction performance. In this study, we propose a novel framework to address both issues regarding stock prediction. Specifically, in terms of transforming time series into complex networks, we convert market price series into graphs. Then, structural information, referring to associations among temporal points and the node weights, is extracted from the mapped graphs to resolve the problems regarding long-range dependencies and the chaotic property. We take graph embeddings to represent the associations among temporal points as the prediction model inputs. Node weights are used as a priori knowledge to enhance the learning of temporal attention. The effectiveness of our proposed framework is validated using real-world stock data, and our approach obtains the best performance among several state-of-the-art benchmarks. Moreover, in the conducted trading simulations, our framework further obtains the highest cumulative profits. Our results supplement the existing applications of complex network methods in the financial realm and provide insightful implications for investment applications regarding decision support in financial markets.
• Abstract（参考訳）: 株価予測は、将来の株価動向を予測するために、株式投資の利益を最大化するために重要である。 深層ニューラルネットワークを利用して在庫予測を改善する研究が盛んに行われているが、既存の研究は依然として2つの大きな問題を抱えている。 まず、時系列の長距離依存性は十分にキャプチャされない。 第二に、金融時系列のカオス特性は予測性能を根本的に低下させる。 本研究では,ストック予測に関する両問題に対処する新しい枠組みを提案する。 具体的には、時系列を複雑なネットワークに変換する観点から、市場価格をグラフに変換する。 次に、時間点とノード重みの関連性を参照する構造情報をマッピングしたグラフから抽出し、長距離依存やカオス性に関する問題を解消する。 予測モデル入力として時間点間の関係を表すためにグラフ埋め込みを用いる。 ノード重みは、時間的注意の学習を強化するための事前知識として使用される。 提案手法の有効性は実世界のストックデータを用いて検証され,本手法は最先端ベンチマークで最高の性能を得る。 さらに,実施した取引シミュレーションにおいて,この枠組みはさらに高い累積利益を得る。 本研究は、金融分野における複雑なネットワーク手法の既存応用を補完し、金融市場における意思決定支援に関する投資アプリケーションに洞察力を与えるものである。

関連論文リスト

• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• 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)
• Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction [14.056579711850578]
  金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。 われわれは米国と中国における株式市場に関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2023-05-09T11:17:46Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• GCNET: graph-based prediction of stock price movement using graph convolutional network [8.122270502556372]
  GCNETは、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用できる一般的な予測フレームワークである。 S&P500 と NASDAQ の在庫セットに関する実験および評価の結果,GCNET はSOTA の性能を精度およびMCC 測定で著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-02-19T16:13:44Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• FinGAT: Financial Graph Attention Networks for Recommending Top-K Profitable Stocks [10.302225525539006]
  株価の時系列をモデル化する既存のアプローチでは、株価とセクター間の関係は無視されるか、事前に定義される。 本稿では,この課題に対処するための新しいディープラーニングモデルであるFinancial Graph Attention Networks (FinGAT)を提案する。 台湾株、S&P500およびNASDAQデータセットを用いた実験は、顕著なレコメンデーション性能を示した。
  論文  参考訳（メタデータ） (2021-06-18T14:51:14Z)
• 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)

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。