Fugu-MT 論文翻訳(概要): Stock Price Prediction Using Time Series, Econometric, Machine Learning, and Deep Learning Models

論文の概要: Stock Price Prediction Using Time Series, Econometric, Machine Learning, and Deep Learning Models

arxiv url: http://arxiv.org/abs/2111.01137v1
Date: Mon, 1 Nov 2021 17:17:52 GMT
ステータス: 処理完了
システム内更新日: 2021-11-03 15:09:05.457545
Title: Stock Price Prediction Using Time Series, Econometric, Machine Learning, and Deep Learning Models
Title（参考訳）: 時系列・計量・機械学習・ディープラーニングモデルを用いた株価予測
Authors: Ananda Chatterjee, Hrisav Bhowmick, and Jaydip Sen
Abstract要約: 本稿では,株価予測のための時系列,エコノメトリ,各種学習モデルについて述べる。 2004年1月から2019年12月までのInfosys、ICICI、SUN PHARMAのデータは、ここでモデルのトレーニングとテストに使用された。火星は最高の機械学習モデルであることが証明され、LSTMは最高のディープラーニングモデルであることが証明された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For a long-time, researchers have been developing a reliable and accurate predictive model for stock price prediction. According to the literature, if predictive models are correctly designed and refined, they can painstakingly and faithfully estimate future stock values. This paper demonstrates a set of time series, econometric, and various learning-based models for stock price prediction. The data of Infosys, ICICI, and SUN PHARMA from the period of January 2004 to December 2019 was used here for training and testing the models to know which model performs best in which sector. One time series model (Holt-Winters Exponential Smoothing), one econometric model (ARIMA), two machine Learning models (Random Forest and MARS), and two deep learning-based models (simple RNN and LSTM) have been included in this paper. MARS has been proved to be the best performing machine learning model, while LSTM has proved to be the best performing deep learning model. But overall, for all three sectors - IT (on Infosys data), Banking (on ICICI data), and Health (on SUN PHARMA data), MARS has proved to be the best performing model in sales forecasting.
Abstract（参考訳）: 長い間、研究者は株式価格予測の信頼性と正確な予測モデルを開発してきた。文献によると、予測モデルが正しく設計され洗練されているならば、将来の株価を辛うじて忠実に見積もることができる。本稿では,株価予測のための時系列モデル,計量モデル,各種学習モデルについて述べる。 2004年1月から2019年12月までのInfosys、ICICI、SUN PHARMAのデータは、どのモデルがどのセクターでどのモデルが最も優れているかを知るためのトレーニングとテストに使用された。本稿では,1つの時系列モデル (Holt-Winters Exponential Smoothing) と1つのエコノメトリモデル (ARIMA) と2つの機械学習モデル (Random Forest と MARS) と2つのディープラーニングベースモデル (シンプルな RNN と LSTM) を含む。 MARSは最高の機械学習モデルであることが証明され、LSTMは最高のディープラーニングモデルであることが証明された。しかし、IT(Infosysデータ)、バンキング(ICICIデータ)、ヘルス(SUN PHARMAデータ)の3分野すべてにおいて、MARSは販売予測において最高のパフォーマンスモデルであることが証明された。

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)
Getting More Juice Out of the SFT Data: Reward Learning from Human Demonstration Improves SFT for LLM Alignment [65.15914284008973]
我々は、報酬モデルと政策モデルを同時に構築するために、逆強化学習(IRL)技術を活用することを提案する。提案アルゴリズムはIRL問題の定常解に収束することを示す。その結果,アライメントプロセス全体を通じて報酬学習を活用することは有益であることが示唆された。
論文参考訳（メタデータ） (2024-05-28T07:11:05Z)
Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文参考訳（メタデータ） (2022-10-11T10:20:31Z)
METRO: Efficient Denoising Pretraining of Large Scale Autoencoding Language Models with Model Generated Signals [151.3601429216877]
本稿では,補助モデルにより生成された学習信号を用いて,大規模自動符号化言語モデルの事前学習を行う。我々は「モデル生成dEnoising TRaining Objective」(METRO)というレシピを提案する。結果、最大54億のパラメータからなるMETRO-LMは、GLUE、SuperGLUE、SQuADベンチマークで新しい最先端を実現する。
論文参考訳（メタデータ） (2022-04-13T21:39:15Z)
Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文参考訳（メタデータ） (2021-06-01T22:33:53Z)
Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文参考訳（メタデータ） (2020-12-08T18:03:21Z)
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)
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)
Stock Price Prediction Using Machine Learning and LSTM-Based Deep Learning Models [1.335161061703997]
本稿では,異なる機械学習モデルとディープラーニングモデルを構築するための,株価予測のためのハイブリッドモデリング手法を提案する。 2014年12月29日から2020年7月31日まで、インドの国立証券取引所(NSE)のNIFTY50指数を用いた。我々は,LSTM回帰モデルを用いて,アーキテクチャや入力データの構造に異なる4つの異なるモデルを用いて,将来のNIFTY 50オープン値を予測する。
論文参考訳（メタデータ） (2020-09-20T20:32:33Z)
VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文参考訳（メタデータ） (2020-07-15T07:07:07Z)
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。