Fugu-MT 論文翻訳(概要): Forex Trading Volatility Prediction using NeuralNetwork Models

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

BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文参考訳（メタデータ） (2024-11-09T05:40:32Z)
GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文参考訳（メタデータ） (2024-09-30T23:53:54Z)
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)
COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning [5.459325230078567]
本稿では, COMEX銅先物におけるボラティリティの予測性能について, エコノメトリのボラティリティモデルとディープラーニングのリカレントニューラルネットワークモデルの両方を用いて検討する。 COMEX銅先物の毎日のボラティリティをローリングウインドウアプローチで予測する際、計量モデル、特にHARは、全体のリカレントニューラルネットワークを上回った。機械学習モデルのブラックボックスの性質にもかかわらず、ディープラーニングモデルはより優れた予測性能を示し、実験においてHARの固定QLIKE値を上回っている。
論文参考訳（メタデータ） (2024-09-12T18:44:31Z)
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 [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)
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)
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。