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
- 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 [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) - 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) - DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。
私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。
ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文 参考訳(メタデータ) (2022-07-20T17:47:54Z) - 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) - Adaptive learning for financial markets mixing model-based and
model-free RL for volatility targeting [0.0]
モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。
モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
論文 参考訳(メタデータ) (2021-04-19T19:20:22Z) - 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) - A Deep Learning Framework for Predicting Digital Asset Price Movement
from Trade-by-trade Data [20.392440676633573]
本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。
このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。
現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
論文 参考訳(メタデータ) (2020-10-11T10:42:02Z) - Machine Learning Algorithms for Financial Asset Price Forecasting [0.0]
本研究は、高性能コンピューティングインフラ上での機械学習アルゴリズムの最先端実装を直接比較し、対比する。
実装された機械学習モデル – ストックユニバース全体の時系列データに基づいてトレーニングされた – は、OOS(Out-of-sample)テストデータにおいて、CAPMを大幅に上回っている。
論文 参考訳(メタデータ) (2020-03-31T18:14:18Z)
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。