論文の概要: Forecasting Market Prices using DL with Data Augmentation and
Meta-learning: ARIMA still wins!
- arxiv url: http://arxiv.org/abs/2110.10233v1
- Date: Tue, 19 Oct 2021 20:01:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-24 09:38:17.244483
- Title: Forecasting Market Prices using DL with Data Augmentation and
Meta-learning: ARIMA still wins!
- Title（参考訳）: データ拡張とメタラーニングを備えたDLを使用した市場価格予測: ARIMAがまだ勝利している!
- Authors: Vedant Shah, Gautam Shroff
- Abstract要約: 本稿では,金融市場における価格予測のためのディープラーニング技術の性能について検討する。
NBeatsのような最先端のディープラーニングベースラインを、通貨や株式市場のデータに基づいてベンチマークします。
実験の結果,データ拡張やメタ学習においても,標準のARIMAモデルはディープラーニングよりも優れていた。
- 参考スコア（独自算出の注目度）: 9.747087204429368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning techniques have been successfully used for time-series
forecasting and have often shown superior performance on many standard
benchmark datasets as compared to traditional techniques. Here we present a
comprehensive and comparative study of performance of deep-learning techniques
for forecasting prices in financial markets. We benchmark state-of-the-art
deep-learning baselines, such as NBeats, etc., on data from currency as well as
stock markets. We also generate synthetic data using a fuzzy-logic based model
of demand driven by technical rules such as moving averages, which are often
used by traders. We benchmark the baseline techniques on this synthetic data as
well as use it for data augmentation. We also apply gradient-based
meta-learning to account for non-stationarity of financial time-series. Our
extensive experiments notwithstanding, the surprising result is that the
standard ARIMA models outperforms deep-learning even using data augmentation or
meta-learning. We conclude by speculating as to why this might be the case.
- Abstract（参考訳）: ディープラーニング技術は時系列予測に成功しており、従来の手法に比べて多くの標準ベンチマークデータセットで優れたパフォーマンスを示している。
本稿では、金融市場における価格予測のためのディープラーニング技術の性能に関する総合的比較研究を紹介する。
我々は、通貨や株式市場のデータに基づいて、NBeatsなどの最先端のディープラーニングベースラインをベンチマークする。
また,移動平均などの技術ルールによって駆動される需要のファジィ論理に基づくモデルを用いて合成データを生成する。
この合成データに対するベースライン手法をベンチマークし,データ拡張に使用する。
また,金融時系列の非定常性を考慮するために,勾配に基づくメタラーニングを適用する。
ARIMAの標準モデルは、データ拡張やメタ学習でもディープラーニングよりも優れています。
われわれはなぜそうなるのかを推測して結論付けている。
関連論文リスト
- Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。
深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。
この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
論文 参考訳（メタデータ） (2024-09-29T11:20:20Z) - Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。
我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。
CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
論文 参考訳（メタデータ） (2024-09-25T22:09:59Z) - Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。
近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。
この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文 参考訳（メタデータ） (2024-08-13T04:53:31Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Electricity Price Forecasting in the Irish Balancing Market [0.0]
この研究は、広く研究されている日頭市場で成功した様々な価格予測手法をアイルランドのバランス市場に適用する。
異なるトレーニングサイズの影響を調査するフレームワークを用いて,統計モデル,機械学習モデル,ディープラーニングモデルを比較した。
大規模な数値的な研究により、日頭市場における良いパフォーマンスのモデルはバランスの取れないモデルではうまく機能しないことが示された。
論文 参考訳（メタデータ） (2024-02-09T15:18:00Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - 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) - Financial Markets Prediction with Deep Learning [11.26482563151052]
金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。
カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。
我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
論文 参考訳（メタデータ） (2021-04-05T19:36:48Z) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳（メタデータ） (2020-11-03T07:49:15Z) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳（メタデータ） (2020-10-28T17:53:57Z)
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。