論文の概要: Stock Price Prediction Under Anomalous Circumstances

• arxiv url: http://arxiv.org/abs/2109.15059v1
• Date: Tue, 14 Sep 2021 18:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-03 10:38:13.416385
• Title: Stock Price Prediction Under Anomalous Circumstances
• Title（参考訳）: 異常な状況下での株価予測
• Authors: Jinlong Ruan and Wei Wu and Jiebo Luo
• Abstract要約: 本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
• 参考スコア（独自算出の注目度）: 81.37657557441649
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The stock market is volatile and complicated, especially in 2020. Because of a series of global and regional "black swans," such as the COVID-19 pandemic, the U.S. stock market triggered the circuit breaker three times within one week of March 9 to 16, which is unprecedented throughout history. Affected by the whole circumstance, the stock prices of individual corporations also plummeted by rates that were never predicted by any pre-developed forecasting models. It reveals that there was a lack of satisfactory models that could predict the changes in stocks prices when catastrophic, highly unlikely events occur. To fill the void of such models and to help prevent investors from heavy losses during uncertain times, this paper aims to capture the movement pattern of stock prices under anomalous circumstances. First, we detect outliers in sequential stock prices by fitting a standard ARIMA model and identifying the points where predictions deviate significantly from actual values. With the selected data points, we train ARIMA and LSTM models at the single-stock level, industry level, and general market level, respectively. Since the public moods affect the stock market tremendously, a sentiment analysis is also incorporated into the models in the form of sentiment scores, which are converted from comments about specific stocks on Reddit. Based on 100 companies' stock prices in the period of 2016 to 2020, the models achieve an average prediction accuracy of 98% which can be used to optimize existing prediction methodologies.
• Abstract（参考訳）: 株式市場は不安定で、特に2020年は複雑だ。 新型コロナウイルス(COVID-19)のパンデミックなど、世界的な「ブラックスワン」が相次いだため、米国株式市場は3月9日から16日までの1週間でサーキットブレーカーを3回引き起こした。 状況全体の影響で、個々の企業の株価は、事前に開発された予測モデルでは予測されなかったレートで急落した。 破滅的な、非常にありそうもない出来事が発生したとき、株価の変化を予測できる十分なモデルがないことが判明した。 このようなモデルの空白を埋め、不確実な時間に投資家が大きな損失を被らないようにするため、本稿では、異常な状況下で株価の変動パターンを捉えることを目的としている。 まず、標準のARIMAモデルに適合し、予測が実際の値から大きくずれる点を特定することで、順次の株価変動を検出する。 選択したデータポイントを用いて、ARIMAモデルとLSTMモデルを、それぞれ単一ストックレベル、産業レベル、一般市場レベルで訓練する。 公開感情は株式市場に大きな影響を与えているため、感情分析はredditの特定の株式に関するコメントから変換された感情スコアという形でモデルに組み込まれている。 2016年から2020年にかけての100社の株価に基づいて、モデルの平均予測精度は98%に達し、既存の予測手法を最適化することができる。

関連論文リスト

• Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Short-term Volatility Estimation for High Frequency Trades using Gaussian processes (GPs) [0.0]
  投資家のリターンの安全と経済のために、必要で定期的な短期・長期の株価変動予測を行うことが不可欠である。 本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を実装した。
  論文  参考訳（メタデータ） (2023-11-18T02:03:48Z)
• 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)
• Transformer-Based Deep Learning Model for Stock Price Prediction: A Case Study on Bangladesh Stock Market [0.0]
  本稿では、ダッカ証券取引所(DSE)に上場する8銘柄の価格変動を予測するためのトランスフォーマーモデルの適用に焦点を当てる。 本実験は,ほとんどの株式において有望な結果と許容される根平均二乗誤差を示すものである。
  論文  参考訳（メタデータ） (2022-08-17T14:03:28Z)
• 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)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model [0.0]
  本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。 このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。 結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
  論文  参考訳（メタデータ） (2021-11-09T07:50:48Z)
• Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
  株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。 本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
  論文  参考訳（メタデータ） (2021-06-17T17:15:02Z)
• Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。 我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
  論文  参考訳（メタデータ） (2020-11-07T16:07:10Z)

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。