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
- 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) - 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。
実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文 参考訳(メタデータ) (2023-03-03T21:33:38Z) - 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 [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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) - A Time Series Analysis-Based Stock Price Prediction Using Machine
Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。
当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。
統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文 参考訳(メタデータ) (2020-04-17T19:41:22Z)
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。