Fugu-MT 論文翻訳(概要): Long Short-Term Memory Neural Network for Financial Time Series

論文の概要: Long Short-Term Memory Neural Network for Financial Time Series

arxiv url: http://arxiv.org/abs/2201.08218v1
Date: Thu, 20 Jan 2022 15:17:26 GMT
ステータス: 処理完了
システム内更新日: 2022-01-21 14:50:38.191245
Title: Long Short-Term Memory Neural Network for Financial Time Series
Title（参考訳）: 金融時系列のための長期短期記憶ニューラルネット
Authors: Carmina Fjellstr\"om
Abstract要約: 株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Performance forecasting is an age-old problem in economics and finance. Recently, developments in machine learning and neural networks have given rise to non-linear time series models that provide modern and promising alternatives to traditional methods of analysis. In this paper, we present an ensemble of independent and parallel long short-term memory (LSTM) neural networks for the prediction of stock price movement. LSTMs have been shown to be especially suited for time series data due to their ability to incorporate past information, while neural network ensembles have been found to reduce variability in results and improve generalization. A binary classification problem based on the median of returns is used, and the ensemble's forecast depends on a threshold value, which is the minimum number of LSTMs required to agree upon the result. The model is applied to the constituents of the smaller, less efficient Stockholm OMX30 instead of other major market indices such as the DJIA and S&P500 commonly found in literature. With a straightforward trading strategy, comparisons with a randomly chosen portfolio and a portfolio containing all the stocks in the index show that the portfolio resulting from the LSTM ensemble provides better average daily returns and higher cumulative returns over time. Moreover, the LSTM portfolio also exhibits less volatility, leading to higher risk-return ratios.
Abstract（参考訳）: 業績予測は経済と金融において古くからある問題である。近年、機械学習とニューラルネットワークの発展は、従来の分析方法に代わる近代的で有望な選択肢を提供する非線形時系列モデルを生み出している。本稿では,ストック価格変動の予測を目的とした,独立・並列長短期記憶(LSTM)ニューラルネットワークのアンサンブルについて述べる。 LSTMは過去の情報を組み込む能力のために時系列データに特に適していることが示されている一方、ニューラルネットワークのアンサンブルは結果のばらつきを低減し、一般化を改善することが示されている。戻り値の中央値に基づく二項分類問題を使用し、アンサンブルの予測は閾値に依存し、その結果に一致するのに必要なLSTMの最小数である。このモデルは、DJIAやS&P500のような他の主要な市場指標の代わりに、より小さく、より効率的でないストックホルムOMX30の構成物に適用される。ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。さらに、LSTMポートフォリオはボラティリティも低く、リスクとリターンの比率も高くなっています。

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)
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)
1D-CapsNet-LSTM: A Deep Learning-Based Model for Multi-Step Stock Index Forecasting [6.05458608266581]
本研究では,多段階株価指数予測のためのLSTMネットワークに1D CapsNetを統合する可能性を検討する。この目的のために、1D CapsNetを用いて高レベルのカプセルを生成するハイブリッド1D-CapsNet-LSTMモデルが導入された。提案した1D-CapsNet-LSTMモデルは、ベースラインモデルを2つの重要な側面で一貫して上回っている。
論文参考訳（メタデータ） (2023-10-03T14:33:34Z)
Stock Price Prediction Using Temporal Graph Model with Value Chain Data [3.1641827542160805]
本稿では,Long Short-Term Memory Graph Convolutional Neural Network (LSTM-GCN)モデルを提案する。本実験により,LSTM-GCNモデルでは,価格データに完全に反映されていないバリューチェーンデータから付加的な情報を取得することができることが示された。
論文参考訳（メタデータ） (2023-03-07T17:24:04Z)
Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文参考訳（メタデータ） (2022-07-23T18:54:10Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文参考訳（メタデータ） (2021-07-05T10:15:23Z)
Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
論文参考訳（メタデータ） (2021-03-05T07:32:36Z)
HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文参考訳（メタデータ） (2020-08-17T23:39:33Z)
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)

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。