論文の概要: GCNET: graph-based prediction of stock price movement using graph convolutional network

• arxiv url: http://arxiv.org/abs/2203.11091v1
• Date: Sat, 19 Feb 2022 16:13:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 13:47:12.752370
• Title: GCNET: graph-based prediction of stock price movement using graph convolutional network
• Title（参考訳）: GCNET:グラフ畳み込みネットワークを用いた株価変動のグラフベース予測
• Authors: Alireza Jafari and Saman Haratizadeh
• Abstract要約: GCNETは、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用できる一般的な予測フレームワークである。 S&P500 と NASDAQ の在庫セットに関する実験および評価の結果,GCNET はSOTA の性能を精度およびMCC 測定で著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 8.122270502556372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prediction of stocks' direction of movement using the historical price information has attracted considerable attention as a challenging problem in the field of machine learning. However, modeling and analyzing the hidden relations among stock prices as an important source of information for the prediction of their future behavior has not been explored well yet. The existing methods in this domain suffer from the lack of generality and flexibility and cannot be easily applied on any set of inter-related stocks. The main challenges in this domain are to find a way for modeling the existing relations among an arbitrary set of stocks and to exploit such a model for improving the prediction performance for those stocks. In this paper, we introduce a novel framework, called GCNET that models the relations among an arbitrary set of stocks as a graph structure called influence network and uses a set of history-based prediction models to infer plausible initial labels for a subset of the stock nodes in the graph. Finally, GCNET uses the Graph Convolutional Network algorithm to analyzes this partially labeled graph and predicts the next price direction of movement for each stock in the graph. GCNET is a general prediction framework that can be applied for the prediction of the price fluctuations for any set of interacting stocks based on their historical data. Our experiments and evaluations on sets of stocks from S\&P500 and NASDAQ show that GCNET significantly improves the performance of SOTA in terms of accuracy and MCC measures.
• Abstract（参考訳）: 歴史的価格情報を用いた株式の移動方向の予測は、機械学習分野における課題としてかなりの注目を集めている。 しかし、株価間の隠れた関係を将来の行動予測の重要な情報源としてモデル化し分析することは、まだ十分に研究されていない。 この領域における既存の手法は一般性と柔軟性の欠如に苦しめられており、いかなる関連株にも容易に適用できない。 この領域の主な課題は、任意の株群間の既存の関係をモデル化する方法を見つけ、それらの株の予測性能を改善するためにそのようなモデルを活用することである。 本稿では,任意のストック間の関係を,インフルエンスネットワークと呼ばれるグラフ構造としてモデル化するGCNETという新しいフレームワークを紹介し,履歴に基づく予測モデルを用いて,グラフ内のストックノードのサブセットに対して有効な初期ラベルを推定する。 最後に、GCNETはグラフ畳み込みネットワークアルゴリズムを用いて、部分的にラベル付けされたグラフを分析し、グラフ内の各株の次の価格方向を予測する。 gcnetは一般的な予測フレームワークであり、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用することができる。 S\&P500 と NASDAQ の在庫集合に関する実験および評価の結果,GCNET は精度およびMCC 測定において SOTA の性能を著しく向上させることが示された。

関連論文リスト

• GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
  我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。 実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
  論文  参考訳（メタデータ） (2024-07-04T09:14:24Z)
• 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)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Learning Large Graph Property Prediction via Graph Segment Training [61.344814074335304]
  本稿では,メモリフットプリントを一定にして大きなグラフ特性予測を学習できる汎用フレームワークを提案する。 バックプロパゲーションのためにサンプリングされていないセグメントに対する埋め込みを効率的に得るために,歴史的埋め込みテーブルを導入することにより,GSTパラダイムを洗練する。 実験の結果,GST-EFDはメモリ効率が良く,高速でありながら,通常の全グラフ学習システムよりもテスト精度が若干向上していることがわかった。
  論文  参考訳（メタデータ） (2023-05-21T02:53:25Z)
• Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction [14.056579711850578]
  金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。 われわれは米国と中国における株式市場に関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2023-05-09T11:17:46Z)
• NETpred: Network-based modeling and prediction of multiple connected market indices [8.122270502556372]
  我々は、複数の関連指標とその在庫を表す新しいグラフを生成する、NETpredというフレームワークを紹介した。 次に、状態空間の異なる部分をカバーし、価格の動きを正確に予測できる多様な代表ノードの集合を徹底的に選択する。 得られたモデルを使用して、最終的に集約されたストックラベルを予測し、グラフ内のすべてのインデックスノードのラベルを推測する。
  論文  参考訳（メタデータ） (2022-12-02T17:23:09Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Price graphs: Utilizing the structural information of financial time series for stock prediction [4.4707451544733905]
  株価予測に関する両問題に対処する新しい枠組みを提案する。 時系列を複雑なネットワークに変換するという点では、市場価格をグラフに変換する。 予測モデル入力として時間点間の関係を表すためにグラフ埋め込みを用いる。
  論文  参考訳（メタデータ） (2021-06-04T14:46:08Z)
• Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
  リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。 実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-24T20:57:16Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Multi-Graph Convolutional Network for Relationship-Driven Stock Movement Prediction [19.58023036416987]
  ストックムーブメントを予測するために,Multi-GCGRUと呼ばれるディープラーニングフレームワークを提案する。 まず、金融分野の知識に基づいて、株間の複数の関係をグラフにエンコードする。 先行知識を更に排除するために,データから学習した適応関係を探索する。
  論文  参考訳（メタデータ） (2020-05-11T09:31:44Z)

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。