Fugu-MT 論文翻訳(概要): Machine Learning for Stock Prediction Based on Fundamental Analysis

論文の概要: Machine Learning for Stock Prediction Based on Fundamental Analysis

arxiv url: http://arxiv.org/abs/2202.05702v1
Date: Wed, 26 Jan 2022 18:48:51 GMT
ステータス: 処理完了
システム内更新日: 2022-02-20 16:36:54.065889
Title: Machine Learning for Stock Prediction Based on Fundamental Analysis
Title（参考訳）: 基本解析に基づく在庫予測のための機械学習
Authors: Yuxuan Huang, Luiz Fernando Capretz, Danny Ho
Abstract要約: フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。 RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
参考スコア（独自算出の注目度）: 13.920569652186714
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Application of machine learning for stock prediction is attracting a lot of attention in recent years. A large amount of research has been conducted in this area and multiple existing results have shown that machine learning methods could be successfully used toward stock predicting using stocks historical data. Most of these existing approaches have focused on short term prediction using stocks historical price and technical indicators. In this paper, we prepared 22 years worth of stock quarterly financial data and investigated three machine learning algorithms: Feed-forward Neural Network (FNN), Random Forest (RF) and Adaptive Neural Fuzzy Inference System (ANFIS) for stock prediction based on fundamental analysis. In addition, we applied RF based feature selection and bootstrap aggregation in order to improve model performance and aggregate predictions from different models. Our results show that RF model achieves the best prediction results, and feature selection is able to improve test performance of FNN and ANFIS. Moreover, the aggregated model outperforms all baseline models as well as the benchmark DJIA index by an acceptable margin for the test period. Our findings demonstrate that machine learning models could be used to aid fundamental analysts with decision-making regarding stock investment.
Abstract（参考訳）: 近年,株価予測への機械学習の適用が注目されている。この分野では大量の研究が行われており、複数の既存の結果から、株価履歴データを用いた株価予測に機械学習手法が有効であることが示されている。これらの既存手法のほとんどは、株価と技術的指標を用いた短期的な予測に重点を置いている。本稿では,22年分の四半期決算データを作成し,基本分析に基づく株価予測のためのフィードフォワードニューラルネットワーク(fnn),ランダムフォレスト(rf),適応ニューラルファジィ推論システム(anfis)の3つの機械学習アルゴリズムを調査した。さらに, RFに基づく特徴選択とブートストラップアグリゲーションを適用し, モデル性能と異なるモデルからのアグリゲーション予測を改善した。この結果から,RFモデルが最も優れた予測結果が得られ,FNNとANFISのテスト性能が向上することが示唆された。さらに、集計されたモデルは、テスト期間中に許容されるマージンで全てのベースラインモデルとベンチマークDJIAインデックスを上回ります。この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。

関連論文リスト

Leveraging Fundamental Analysis for Stock Trend Prediction for Profit [0.0]
本稿では,機械学習モデル,Long Short-Term Memory (LSTM), 1次元畳み込みニューラルネットワーク (1D CNN) およびロジスティック回帰 (LR) を用いて,基本解析に基づく株価トレンドの予測を行う。我々は、2つの予測タスク、すなわち年次株価差(ASPD)と現在の株価と本質的価値(CSPDIV)の差を定式化するために、主要な金融比率とディスクキャッシュフロー(DCF)モデルを採用する。この結果、LRモデルはCNNおよびLSTMモデルより優れており、ASPDの平均テスト精度は74.66%、DCSPIVは72.85%であることがわかった。
論文参考訳（メタデータ） (2024-10-04T20:36:19Z)
Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文参考訳（メタデータ） (2024-08-13T04:53:31Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
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)
Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文参考訳（メタデータ） (2023-04-15T19:22:37Z)
Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies [9.553857741758742]
本稿では、機械学習(ML)モデルの適用、取引戦略の改善、ストックオプション予測と取引結果の最適化のための準可逆法(QRM)について紹介する。
論文参考訳（メタデータ） (2022-11-29T04:01:16Z)
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)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文参考訳（メタデータ） (2021-04-06T11:09:51Z)
How Powerful are Performance Predictors in Neural Architecture Search? [43.86743225322636]
我々は31の手法を解析し,性能予測器の大規模研究を行った。予測器の特定のファミリーが組み合わさることで、より優れた予測能力が得られることを示す。
論文参考訳（メタデータ） (2021-04-02T17:57:16Z)

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。