論文の概要: A data-science-driven short-term analysis of Amazon, Apple, Google, and Microsoft stocks

• arxiv url: http://arxiv.org/abs/2107.14695v1
• Date: Fri, 30 Jul 2021 15:19:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-02 12:53:48.131414
• Title: A data-science-driven short-term analysis of Amazon, Apple, Google, and Microsoft stocks
• Title（参考訳）: データサイエンス駆動によるAmazon、Apple、Google、Microsoft株の短期分析
• Authors: Shubham Ekapure, Nuruddin Jiruwala, Sohan Patnaik, Indranil SenGupta
• Abstract要約: 我々は,技術分析と機械/深層学習に基づく分析を組み合わせることで,トレンド分類モデルを構築する。 我々は、現在の株式市場データの価格動向に依存する短期的な予測を行うデータサイエンス駆動技術を実行する。
• 参考スコア（独自算出の注目度）: 0.43012765978447565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we implement a combination of technical analysis and machine/deep learning-based analysis to build a trend classification model. The goal of the paper is to apprehend short-term market movement, and incorporate it to improve the underlying stochastic model. Also, the analysis presented in this paper can be implemented in a \emph{model-independent} fashion. We execute a data-science-driven technique that makes short-term forecasts dependent on the price trends of current stock market data. Based on the analysis, three different labels are generated for a data set: $+1$ (buy signal), $0$ (hold signal), or $-1$ (sell signal). We propose a detailed analysis of four major stocks- Amazon, Apple, Google, and Microsoft. We implement various technical indicators to label the data set according to the trend and train various models for trend estimation. Statistical analysis of the outputs and classification results are obtained.
• Abstract（参考訳）: 本稿では,技術分析と機械/深層学習に基づく分析を組み合わせることで,トレンド分類モデルを構築する。 本論文の目的は,短期市場の動きを把握し,その基盤となる確率モデルを改善することである。 また,本論文で示した分析は,emph{model-independent}方式で実施することができる。 我々は、現在の株式市場データの価格動向に依存する短期予測を行うデータサイエンス駆動手法を実行する。 分析に基づいて、3つの異なるラベルがデータセットに対して生成される:$+1$(購入信号)、$0$(保有信号)、または$1$(販売信号)。 我々は、Amazon、Apple、Google、Microsoftの4大株価の詳細な分析を提案する。 我々は,トレンドに応じてデータセットをラベル付けする様々な技術指標を実装し,トレンド推定のために様々なモデルを訓練する。 出力の統計的分析と分類結果が得られる。

関連論文リスト

• GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
  我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。 実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
  論文  参考訳（メタデータ） (2024-07-04T09:14:24Z)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Filtering Context Mitigates Scarcity and Selection Bias in Political Ideology Prediction [42.31457743674423]
  政治イデオロギー予測(PIP)のための新しい教師付き学習手法を提案する。 私たちのモデルは、5%のバイアスデータでトレーニングしても、予測を出力できることを示します。
  論文  参考訳（メタデータ） (2023-02-01T04:34:48Z)
• Stock Market Prediction via Deep Learning Techniques: A Survey [24.88558334340833]
  本稿では,ディープラーニング技術に着目した株式市場予測に関する研究の概要について概説する。 株式市場予測の詳細なサブタスクを4つ提示し、最先端モデルを要約する新しい分類法を提案する。 さらに、株式市場でよく使われるデータセットと評価指標について詳細な統計情報を提供する。
  論文  参考訳（メタデータ） (2022-12-24T11:32:17Z)
• Cross-Domain Shopping and Stock Trend Analysis [0.0]
  本稿では,株価,株価,Twitterの株価,およびeコマースサイトにおけるユーザの行動の関係を識別・分析することを目的としたドメイン間トレンド分析を提案する。 この分析は、米国株データセット、ストックツイートデータセット、Eコマース行動データセットの3つのデータセットに基づいている。
  論文  参考訳（メタデータ） (2022-12-23T18:21:28Z)
• Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
  この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。 この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
  論文  参考訳（メタデータ） (2022-05-11T20:44:08Z)
• Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark [0.0]
  機械学習モデルは、ある日のラベルを予測するのに役立つ。 その日に発表されたすべてのニュースから、その日の総合的な感情スコアが作成されます。 ランダムフォレストは63.58%のテスト精度で最高の性能を発揮した。
  論文  参考訳（メタデータ） (2022-01-19T10:22:33Z)
• Stock price prediction using BERT and GAN [0.0]
  本稿では、株価を予測するための最先端の手法の集合体を提案する。 これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。 その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
  論文  参考訳（メタデータ） (2021-07-18T18:31:43Z)
• Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach [29.11201102550876]
  半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。 本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。 提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
  論文  参考訳（メタデータ） (2021-05-18T07:01:37Z)
• 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)

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。