論文の概要: Forex Trading Volatility Prediction using NeuralNetwork Models
- arxiv url: http://arxiv.org/abs/2112.01166v1
- Date: Thu, 2 Dec 2021 12:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 23:46:16.737355
- Title: Forex Trading Volatility Prediction using NeuralNetwork Models
- Title(参考訳): ニューラルネットワークモデルを用いたforex取引変動予測
- Authors: Shujian Liao, Jian Chen and Hao Ni
- Abstract要約: 本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。
数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
- 参考スコア(独自算出の注目度): 6.09960572440709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we investigate the problem of predicting the future volatility
of Forex currency pairs using the deep learning techniques. We show
step-by-step how to construct the deep-learning network by the guidance of the
empirical patterns of the intra-day volatility. The numerical results show that
the multiscale Long Short-Term Memory (LSTM) model with the input of
multi-currency pairs consistently achieves the state-of-the-art accuracy
compared with both the conventional baselines, i.e. autoregressive and GARCH
model, and the other deep learning models.
- Abstract(参考訳): 本稿では,深層学習技術を用いたForex通貨対の将来変動予測の問題について検討する。
日内ボラティリティの実証的パターンの指導により,深層学習ネットワークの構築方法を段階的に示す。
計算結果から,多値ペアの入力によるマルチスケールLong-Term Memory(LSTM)モデルは,従来のベースライン,すなわち自己回帰モデルとGARCHモデルと,その他のディープラーニングモデルと比較して一貫して最先端の精度を達成していることがわかった。
関連論文リスト
- A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。
自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文 参考訳(メタデータ) (2024-02-08T16:45:01Z) - Comparing Deep Learning Models for the Task of Volatility Prediction
Using Multivariate Data [4.793572485305333]
論文は、より単純で浅いものから、より深くより複雑なアーキテクチャまで、さまざまなモデルを評価する。
5つの資産(S&P500、NASDAQ100、金、銀、石油)のボラティリティの予測は、特にGARCHモデルを用いて対処される。
論文 参考訳(メタデータ) (2023-06-20T17:10:13Z) - Stock Trend Prediction: A Semantic Segmentation Approach [3.718476964451589]
完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。
我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
論文 参考訳(メタデータ) (2023-03-09T01:29:09Z) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - 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) - 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) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - 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) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - 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)
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。