論文の概要: Stock Portfolio Optimization Using a Deep Learning LSTM Model

• arxiv url: http://arxiv.org/abs/2111.04709v1
• Date: Mon, 8 Nov 2021 18:41:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 17:26:00.791044
• Title: Stock Portfolio Optimization Using a Deep Learning LSTM Model
• Title（参考訳）: 深層学習LSTMモデルを用いたストックポートフォリオ最適化
• Authors: Jaydip Sen, Abhishek Dutta, and Sidra Mehtab
• Abstract要約: 本研究は、2016年1月1日から2020年12月31日まで、インド株式市場の9つの異なるセクターからトップ5の株価を時系列的に分析してきた。 最適ポートフォリオはこれらのセクター毎に構築されます。 各ポートフォリオの予測と実際のリターンは高く,LSTMモデルの高精度性を示している。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting future stock prices and their movement patterns is a complex problem. Hence, building a portfolio of capital assets using the predicted prices to achieve the optimization between its return and risk is an even more difficult task. This work has carried out an analysis of the time series of the historical prices of the top five stocks from the nine different sectors of the Indian stock market from January 1, 2016, to December 31, 2020. Optimum portfolios are built for each of these sectors. For predicting future stock prices, a long-and-short-term memory (LSTM) model is also designed and fine-tuned. After five months of the portfolio construction, the actual and the predicted returns and risks of each portfolio are computed. The predicted and the actual returns of each portfolio are found to be high, indicating the high precision of the LSTM model.
• Abstract（参考訳）: 将来の株価の予測とその動きパターンは複雑な問題である。 したがって、リターンとリスクの最適化を達成するために予測価格を用いて資本資産のポートフォリオを構築することは、さらに難しい課題である。 本研究は、2016年1月1日から2020年12月31日まで、インド株式市場の9つの異なるセクターからトップ5の株価を時系列的に分析してきた。 最適ポートフォリオはこれらのセクター毎に構築されます。 将来の株価を予測するため、長期短期記憶モデル(lstm)も設計され、微調整されている。 ポートフォリオ構築から5ヶ月後、ポートフォリオの実際の利益と予測したリスクを計算します。 各ポートフォリオの予測と実際のリターンは高いことが判明し、lstmモデルの高精度さを示している。

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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [57.70351255180495]
  当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。 また,ChatGPTは従来の感情分析法よりも優れていた。 ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Precise Stock Price Prediction for Optimized Portfolio Design Using an LSTM Model [1.1879716317856945]
  インド経済の7つのセクターに基づいて最適化されたポートフォリオを提示する。 過去の株価は2016年1月1日から2020年12月31日までウェブから抽出される。 LSTM回帰モデルも将来の株価を予測するために設計されている。
  論文  参考訳（メタデータ） (2022-03-02T14:37:30Z)
• Robust Portfolio Design and Stock Price Prediction Using an Optimized LSTM Model [0.0]
  本稿では,インドにおける4つの重要な経済セクターに対して,最適リスクと固有という2つのタイプのポートフォリオを構築するための体系的なアプローチを提案する。 株価は2016年1月1日から2020年12月31日までウェブから抽出される。 LSTMモデルは将来の株価を予測するためにも設計されている。
  論文  参考訳（メタデータ） (2022-03-02T14:15:14Z)
• Portfolio Optimization on NIFTY Thematic Sector Stocks Using an LSTM Model [0.0]
  本論文では,インドのNSEの5つのテーマセクターに対して,最適リスクと固有ポートフォリオを設計するためのアルゴリズム的アプローチを提案する。 株価は2016年1月1日から2020年12月31日までウェブから抽出される。 LSTMモデルは将来の株価を予測するために設計されている。 ポートフォリオが結成されて7ヶ月後の2021年8月3日、ポートフォリオの実際のリターンはLSTM予測リターンと比較される。
  論文  参考訳（メタデータ） (2022-02-06T07:41:20Z)
• Precise Stock Price Prediction for Robust Portfolio Design from Selected Sectors of the Indian Stock Market [0.0]
  私たちは、選択した5つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。 最小分散ポートフォリオと等しい重量ポートフォリオを持つ最適リスクポートフォリオの比較研究は、バックテストによって行われます。
  論文  参考訳（メタデータ） (2022-01-14T17:24:19Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  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。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Deep Learning for Portfolio Optimization [5.833272638548154]
  個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。 我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
  論文  参考訳（メタデータ） (2020-05-27T21:28:43Z)

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。