論文の概要: Wasserstein GAN: Deep Generation applied on Bitcoins financial time series

• arxiv url: http://arxiv.org/abs/2107.06008v1
• Date: Tue, 13 Jul 2021 11:59:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:52:40.801568
• Title: Wasserstein GAN: Deep Generation applied on Bitcoins financial time series
• Title（参考訳）: Wasserstein GAN:Bitcoinの金融時系列にディープジェネレーションを適用する
• Authors: Rikli Samuel, Bigler Daniel Nico, Pfenninger Moritz, Osterrieder Joerg
• Abstract要約: 本稿では、サンプル生成に焦点を当てたデータ駆動モデルであるWGAN-GPと呼ばれるディープニューラルネットワークを紹介する。 WGAN-GPは、入力データの基本構造を学ぶことになっている。 生成された合成時系列は、実データと視覚的に区別できない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling financial time series is challenging due to their high volatility and unexpected happenings on the market. Most financial models and algorithms trying to fill the lack of historical financial time series struggle to perform and are highly vulnerable to overfitting. As an alternative, we introduce in this paper a deep neural network called the WGAN-GP, a data-driven model that focuses on sample generation. The WGAN-GP consists of a generator and discriminator function which utilize an LSTM architecture. The WGAN-GP is supposed to learn the underlying structure of the input data, which in our case, is the Bitcoin. Bitcoin is unique in its behavior; the prices fluctuate what makes guessing the price trend hardly impossible. Through adversarial training, the WGAN-GP should learn the underlying structure of the bitcoin and generate very similar samples of the bitcoin distribution. The generated synthetic time series are visually indistinguishable from the real data. But the numerical results show that the generated data were close to the real data distribution but distinguishable. The model mainly shows a stable learning behavior. However, the model has space for optimization, which could be achieved by adjusting the hyperparameters.
• Abstract（参考訳）: 金融時系列のモデリングは、高いボラティリティと市場の予期せぬ出来事のために難しい。 ほとんどの金融モデルとアルゴリズムは、過去の金融時系列の欠如を補おうとしており、過度な適合に対して非常に脆弱である。 代替として、サンプル生成に焦点を当てたデータ駆動モデルであるWGAN-GPと呼ばれるディープニューラルネットワークを紹介する。 WGAN-GPはLSTMアーキテクチャを利用するジェネレータと識別器の機能からなる。 wgan-gpは、入力データの基盤となる構造、つまり私たちの場合、bitcoinを学習することになっている。 Bitcoinの振る舞いはユニークで、価格が変動し、価格トレンドを推測することは不可能だ。 敵対的なトレーニングを通じて、WGAN-GPはbitcoinの基盤構造を学び、bitcoin配布の非常に似たサンプルを生成するべきである。 生成された合成時系列は、実データと視覚的に区別できない。 しかし, 得られたデータは実データ分布に近いが, 識別可能であることを示す。 モデルは主に安定した学習行動を示す。 しかし、モデルには最適化の余地があり、ハイパーパラメータを調整することで達成できる。

関連論文リスト

• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• Comparative Study of Bitcoin Price Prediction [0.0]
  一般化を高めるために5倍のクロスバリデーションを使用し、L2正規化を利用して過度な適合とノイズを低減する。 我々の研究は、GRUsモデルがBitcoinの価格を予測するLSTMモデルよりも精度が高いことを示した。
  論文  参考訳（メタデータ） (2024-05-13T18:10:34Z)
• A Data-driven Deep Learning Approach for Bitcoin Price Forecasting [10.120972108960425]
  本稿では,bitcoinの閉口価格を日単位の時間枠で予測するために,浅い双方向LSTM(Bidirectional-LSTM)モデルを提案する。 本稿では,他の予測手法と比較し,提案手法の助けを借りて,浅層ニューラルネットワークが他の一般的な価格予測モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-27T10:35:47Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Motif-aware temporal GCN for fraud detection in signed cryptocurrency trust networks [8.82136716762572]
  グラフ畳み込みネットワーク(GCN)はグラフとして表現可能なデータ処理に使用される。 本研究では,暗号ネットワークの進化的性質を考察し,局所構造とバランス理論を用いてトレーニングプロセスの導出を行う。 bitcoin-alphaとbitcoin-otcデータセットの実験的結果は、提案されたモデルが文献上のモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-22T02:03:27Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• Ethereum Fraud Detection with Heterogeneous Graph Neural Networks [3.5819974193845328]
  グラフ解析アルゴリズムと機械学習技術は、巨大なトランザクションネットワークにおけるフィッシングにつながる不審なトランザクションを検出する。 多くのグラフニューラルネットワーク(GNN)モデルが、グラフ構造にディープラーニング技術を適用するために提案されている。 我々は、実際の取引ネットワークデータセットにおけるGNNモデルのモデル性能と、報告されたラベルデータのフィッシングを比較した。
  論文  参考訳（メタデータ） (2022-03-23T12:35:59Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• 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)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)
• Forecasting Bitcoin closing price series using linear regression and neural networks models [4.17510581764131]
  データ価格と前日のボリュームを用いて、Bitcoinの日次閉鎖価格の予測方法について検討する。 統計的手法と機械学習アルゴリズムの両方を実装した。
  論文  参考訳（メタデータ） (2020-01-04T21:04:05Z)

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。