論文の概要: Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error
(ERMSE): Deep Learning for Stock Price Movement Prediction
- arxiv url: http://arxiv.org/abs/2112.03946v1
- Date: Tue, 30 Nov 2021 18:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-12 16:17:17.568989
- Title: Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error
(ERMSE): Deep Learning for Stock Price Movement Prediction
- Title（参考訳）: generative adversarial network (gan) とenhanced root mean square error (ermse) : 株価変動予測のためのディープラーニング
- Authors: Ashish Kumar, Abeer Alsadoon, P. W. C. Prasad, Salma Abdullah, Tarik
A. Rashid, Duong Thu Hang Pham, Tran Quoc Vinh Nguyen
- Abstract要約: 本稿では,予測精度を向上し,ジェネレーティブ・アドバイサル・ネットワークを用いて誤差損失の予測を最小化することを目的とする。
The Generative Adversarial Network (GAN) has well performed on the enhanced root mean square error to LSTM。
- 参考スコア（独自算出の注目度）: 15.165487282631535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prediction of stock price movement direction is significant in financial
circles and academic. Stock price contains complex, incomplete, and fuzzy
information which makes it an extremely difficult task to predict its
development trend. Predicting and analysing financial data is a nonlinear,
time-dependent problem. With rapid development in machine learning and deep
learning, this task can be performed more effectively by a purposely designed
network. This paper aims to improve prediction accuracy and minimizing
forecasting error loss through deep learning architecture by using Generative
Adversarial Networks. It was proposed a generic model consisting of Phase-space
Reconstruction (PSR) method for reconstructing price series and Generative
Adversarial Network (GAN) which is a combination of two neural networks which
are Long Short-Term Memory (LSTM) as Generative model and Convolutional Neural
Network (CNN) as Discriminative model for adversarial training to forecast the
stock market. LSTM will generate new instances based on historical basic
indicators information and then CNN will estimate whether the data is predicted
by LSTM or is real. It was found that the Generative Adversarial Network (GAN)
has performed well on the enhanced root mean square error to LSTM, as it was
4.35% more accurate in predicting the direction and reduced processing time and
RMSE by 78 secs and 0.029, respectively. This study provides a better result in
the accuracy of the stock index. It seems that the proposed system concentrates
on minimizing the root mean square error and processing time and improving the
direction prediction accuracy, and provides a better result in the accuracy of
the stock index.
- Abstract（参考訳）: 株価変動方向の予測は金融界や学術界において重要である。
株価には複雑で不完全でファジィな情報が含まれており、開発トレンドを予測するのは非常に難しい。
金融データの予測と分析は非線形、時間依存の問題である。
機械学習とディープラーニングの急速な発展により、このタスクは目的的に設計されたネットワークによってより効果的に実行できる。
本稿では,予測精度の向上と予測誤差損失の最小化を,ジェネレーティブ・アドバイサル・ネットワークを用いて実現することを目的とする。
価格系列を再構成するための位相空間再構成(PSR)法と,長期記憶(LSTM)を生成モデルとする2つのニューラルネットワークを組み合わせたGAN(Generative Adversarial Network)法と,市場予測のための識別モデルとしての畳み込みニューラルネットワーク(CNN)を用いた総合モデルを提案する。
LSTMは、過去の基本的な指標情報に基づいて新しいインスタンスを生成し、次にCNNは、データがLSTMによって予測されているか、現実であるかを推定する。
その結果,ジェネレーティブ・アディバーショナル・ネットワーク(GAN)は,方向予測の精度が4.35%向上し,処理時間を78秒短縮し,RMSEを0.029秒短縮した。
本研究は株価指数の正確性に関するより良い結果をもたらす。
提案手法は, 根平均二乗誤差と処理時間を最小限にし, 方向予測精度を向上させることに集中し, 株価指数の精度向上に寄与すると考えられる。
関連論文リスト
- 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$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。
自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文 参考訳（メタデータ） (2024-02-08T16:45:01Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - DNNAbacus: Toward Accurate Computational Cost Prediction for Deep Neural
Networks [0.9896984829010892]
本稿では,29の古典的ディープニューラルネットワークの計算資源要求を調査し,計算コストを予測するための正確なモデルを構築した。
ネットワーク表現のための新しいネットワーク構造行列を用いた軽量な予測手法DNNAbacusを提案する。
実験の結果, 平均相対誤差 (MRE) は時間に対して0.9%, メモリに関しては2.8%であった。
論文 参考訳（メタデータ） (2022-05-24T14:21:27Z) - Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。
このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。
その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
論文 参考訳（メタデータ） (2022-04-06T07:06:30Z) - S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural
Networks via Guided Distribution Calibration [74.5509794733707]
本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。
提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。
提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
論文 参考訳（メタデータ） (2021-02-17T18:59:28Z) - A Simple Fine-tuning Is All You Need: Towards Robust Deep Learning Via
Adversarial Fine-tuning [90.44219200633286]
我々は,$textitslow start, fast decay$ learning rate schedulingストラテジーに基づく,単純かつ非常に効果的な敵の微調整手法を提案する。
実験の結果,提案手法はCIFAR-10, CIFAR-100, ImageNetデータセットの最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-25T20:50:15Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock
Prices and News [7.578363431637128]
本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。
ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。
完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
論文 参考訳（メタデータ） (2020-07-23T15:25:37Z) - 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) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳（メタデータ） (2020-05-04T17:41:59Z)
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。