論文の概要: Long-term, Short-term and Sudden Event: Trading Volume Movement
Prediction with Graph-based Multi-view Modeling
- arxiv url: http://arxiv.org/abs/2108.11318v1
- Date: Mon, 23 Aug 2021 03:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 13:05:48.238783
- Title: Long-term, Short-term and Sudden Event: Trading Volume Movement
Prediction with Graph-based Multi-view Modeling
- Title(参考訳): 長期・短期・突然の事象:グラフ型マルチビューモデルによる取引量移動予測
- Authors: Liang Zhao, Wei Li, Ruihan Bao, Keiko Harimoto, YunfangWu and Xu Sun
- Abstract要約: 本稿では,多視点情報,すなわち長期株価傾向,短期変動,突然の事象情報を時間的不均一グラフに結合するグラフベースの手法を提案する。
提案手法は, 変動の異なる視点間の相関を強調し, 予測精度を向上する。
- 参考スコア(独自算出の注目度): 21.72694417816051
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trading volume movement prediction is the key in a variety of financial
applications. Despite its importance, there is few research on this topic
because of its requirement for comprehensive understanding of information from
different sources. For instance, the relation between multiple stocks, recent
transaction data and suddenly released events are all essential for
understanding trading market. However, most of the previous methods only take
the fluctuation information of the past few weeks into consideration, thus
yielding poor performance. To handle this issue, we propose a graphbased
approach that can incorporate multi-view information, i.e., long-term stock
trend, short-term fluctuation and sudden events information jointly into a
temporal heterogeneous graph. Besides, our method is equipped with deep
canonical analysis to highlight the correlations between different perspectives
of fluctuation for better prediction. Experiment results show that our method
outperforms strong baselines by a large margin.
- Abstract(参考訳): 取引量移動予測は、様々な金融アプリケーションにおいて鍵となる。
その重要性にもかかわらず、異なる情報源からの情報を包括的に理解する必要性があるため、この話題に関する研究はほとんどない。
例えば、複数の株式、最近の取引データ、突然のイベントの関係は、すべて取引市場を理解する上で不可欠である。
しかし,従来の手法のほとんどは過去数週間の変動情報を考慮に入れているだけであり,性能は低い。
この問題に対処するため,多視点情報,すなわち長期の株価トレンド,短期変動,突然の出来事情報を同時に時間的不均一グラフに組み込むグラフベースの手法を提案する。
また,より優れた予測のために,変動の異なる視点間の相関を強調するために,深い正準解析を行う。
実験結果から,本手法は強いベースラインを大きなマージンで上回ることがわかった。
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) - Towards systematic intraday news screening: a liquidity-focused approach [1.688090639493357]
毎日大量のニュース記事が発行されているが、そのほとんどは中立的であり、我々は真の効果のあるニュースを識別するための体系的なニューススクリーニング方法を提案する。
スクリーニングされたデータセットは、より効率的な特徴キャプチャを実現し、短期資産返却予測において優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-11T10:14:48Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Deep Multiple Instance Learning For Forecasting Stock Trends Using
Financial News [3.6804038214708563]
本稿では,金融ニュースが株価動向に与える影響について,マルチインスタンスの観点から検討する。
フレキシブルで適応的なマルチインスタンス学習モデルを開発し、Standard & Poors 500インデックスの方向移動予測能力を評価する。
実験の結果,提案したマルチインスタンスベースのフレームワークは,トレンド予測の精度で優れた結果が得られることがわかった。
論文 参考訳(メタデータ) (2022-06-29T08:00:13Z) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳(メタデータ) (2022-05-27T08:38:20Z) - Multi-modal Attention Network for Stock Movements Prediction [0.0]
競合を減らし,意味的特徴と数値的特徴を統合し,将来の株価変動を予測するマルチモーダリティアテンションネットワークを提案する。
実験の結果,予測精度(61.20%)と取引利益(9.13%)の両面で,従来の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-12-27T10:03:09Z) - Multivariate Realized Volatility Forecasting with Graph Neural Network [0.0]
ボラティリティ予測のためのグラフトランスフォーマーネットワークを導入する。
モデルは、制限順序帳の特徴と、異なるソースからの時間的および横断的な関係を無制限に組み合わせる。
S&P500種株価指数(S&P500種株価指数)の約500株に基づく実験では、他のベンチマークよりもモデルのパフォーマンスが向上している。
論文 参考訳(メタデータ) (2021-12-16T16:49:32Z) - 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) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳(メタデータ) (2021-02-15T07:22:09Z) - 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) - Multi-Graph Convolutional Network for Relationship-Driven Stock Movement
Prediction [19.58023036416987]
ストックムーブメントを予測するために,Multi-GCGRUと呼ばれるディープラーニングフレームワークを提案する。
まず、金融分野の知識に基づいて、株間の複数の関係をグラフにエンコードする。
先行知識を更に排除するために,データから学習した適応関係を探索する。
論文 参考訳(メタデータ) (2020-05-11T09:31:44Z)
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。