論文の概要: LSTM Architecture for Oil Stocks Prices Prediction
- arxiv url: http://arxiv.org/abs/2201.00350v1
- Date: Sun, 2 Jan 2022 12:52:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 22:09:05.668907
- Title: LSTM Architecture for Oil Stocks Prices Prediction
- Title(参考訳): 原油価格予測のためのLSTMアーキテクチャ
- Authors: Javad T. Firouzjaee and Pouriya Khaliliyan
- Abstract要約: 石油会社は世界最大の企業の一つであり、世界の株式市場における経済指標が世界経済に大きな影響を与えている。
これらの関係を定量化するために、我々はドル、原油、金、主要石油会社の株価指数との相関特徴と株価の関係を用いる。
異なる企業の株価を予測するために、リカレントニューラルネットワーク(RNN)とLSTMを使用します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Oil companies are among the largest companies in the world whose economic
indicators in the global stock market have a great impact on the world economy
and market due to their relation to gold, crude oil, and the dollar. To
quantify these relations we use the correlation feature and the relationships
between stocks with the dollar, crude oil, gold, and major oil company stock
indices, we create datasets and compare the results of forecasts with real
data. To predict the stocks of different companies, we use Recurrent Neural
Networks (RNNs) and LSTM, because these stocks change in time series. We carry
on empirical experiments and perform on the stock indices dataset to evaluate
the prediction performance in terms of several common error metrics such as
Mean Square Error (MSE), Mean Absolute Error (MAE), Root Mean Square Error
(RMSE), and Mean Absolute Percentage Error (MAPE). The received results are
promising and present a reasonably accurate prediction for the price of oil
companies' stocks in the near future. The results show that RNNs do not have
the interpretability, and we cannot improve the model by adding any correlated
data.
- Abstract(参考訳): 石油会社は世界最大の企業の一つであり、世界の株式市場における経済指標は、金、原油、ドルとの関係から世界経済と市場に大きな影響を与えている。
これらの関係を定量化するために、ドル、原油、金、主要石油会社の株価指数との相関特徴と株価の関係を利用して、データセットを作成し、予測結果を実際のデータと比較する。
さまざまな企業の株価を予測するために、私たちはrecurrent neural network(rnns)とlstmを使っています。
実証実験を行い、株価指数データセットを用いて平均二乗誤差(mse)、平均絶対誤差(mae)、根平均二乗誤差(rmse)、平均絶対パーセンテージ誤差(mape)など、いくつかの一般的な誤差指標を用いて予測性能を評価する。
得られた結果は有望であり、近い将来の石油会社の株価の予測に適度に正確である。
その結果、RNNには解釈性がなく、相関データを追加することでモデルを改善することはできないことがわかった。
関連論文リスト
- ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
論文 参考訳(メタデータ) (2023-12-02T03:55:37Z) - 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) - Stock Market Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳(メタデータ) (2023-08-07T14:21:05Z) - 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) - Design interpretable experience of dynamical feed forward machine
learning model for forecasting NASDAQ [0.0]
株式市場のボラティリティや原油、金、ドルなどの経済指標の影響、NASDAQ株も影響を受けている。
我々は、石油、ドル、金、および経済市場における株式市場のボラティリティの影響について検討した。
我々はPCAと線形回帰アルゴリズムを用いて、これらのストックをモデル化するための最適な動的学習体験を設計した。
論文 参考訳(メタデータ) (2022-12-22T21:27:40Z) - FinBERT-LSTM: Deep Learning based stock price prediction using News
Sentiment Analysis [0.0]
市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。
私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
論文 参考訳(メタデータ) (2022-11-11T15:13:16Z) - Univariate and Multivariate LSTM Model for Short-Term Stock Market
Prediction [1.6114012813668934]
本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。
10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
論文 参考訳(メタデータ) (2022-05-08T07:01:12Z) - 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) - 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) - 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) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z)
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。