論文の概要: Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction
- arxiv url: http://arxiv.org/abs/2204.02623v1
- Date: Wed, 6 Apr 2022 07:06:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 22:58:56.431620
- Title: Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction
- Title（参考訳）: 株価予測のための注意に基づくCNN-LSTMとXGBoostハイブリッドモデル
- Authors: Zhuangwei Shi, Yang Hu, Guangliang Mo, Jian Wu
- Abstract要約: 本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。
このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。
その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
- 参考スコア（独自算出の注目度）: 7.231134145443057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stock market plays an important role in the economic development. Due to the
complex volatility of the stock market, the research and prediction on the
change of the stock price, can avoid the risk for the investors. The
traditional time series model ARIMA can not describe the nonlinearity, and can
not achieve satisfactory results in the stock prediction. As neural networks
are with strong nonlinear generalization ability, this paper proposes an
attention-based CNN-LSTM and XGBoost hybrid model to predict the stock price.
The model constructed in this paper integrates the time series model, the
Convolutional Neural Networks with Attention mechanism, the Long Short-Term
Memory network, and XGBoost regressor in a non-linear relationship, and
improves the prediction accuracy. The model can fully mine the historical
information of the stock market in multiple periods. The stock data is first
preprocessed through ARIMA. Then, the deep learning architecture formed in
pretraining-finetuning framework is adopted. The pre-training model is the
Attention-based CNN-LSTM model based on sequence-to-sequence framework. The
model first uses convolution to extract the deep features of the original stock
data, and then uses the Long Short-Term Memory networks to mine the long-term
time series features. Finally, the XGBoost model is adopted for fine-tuning.
The results show that the hybrid model is more effective and the prediction
accuracy is relatively high, which can help investors or institutions to make
decisions and achieve the purpose of expanding return and avoiding risk. Source
code is available at
https://github.com/zshicode/Attention-CLX-stock-prediction.
- Abstract（参考訳）: 株式市場は経済発展において重要な役割を担っている。
株式市場の複雑なボラティリティのため、株価の変動に関する調査と予測は投資家のリスクを回避することができる。
従来の時系列モデルであるARIMAは非線形性を記述できず、株価予測において満足な結果が得られない。
ニューラルネットワークは強い非線形一般化能力を持つため,株価を予測するために注意に基づくCNN-LSTMとXGBoostハイブリッドモデルを提案する。
本稿では,時系列モデル,注意機構付き畳み込みニューラルネットワーク,長期記憶ネットワーク,xgboostレグレッサを非線形関係に統合し,予測精度を向上させる。
このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。
株価データはまずARIMAを通じて前処理される。
そして、事前学習ファインタニングフレームワークで形成されるディープラーニングアーキテクチャを採用する。
事前学習モデルは、シーケンス・ツー・シーケンス・フレームワークに基づく注意に基づくCNN-LSTMモデルである。
モデルではまず、畳み込みを用いて元のストックデータの深い特徴を抽出し、その後長期記憶ネットワークを用いて長期時系列の特徴を抽出する。
最後に、XGBoostモデルは微調整に採用されている。
その結果、ハイブリッドモデルの方が効果が高く、予測精度が比較的高く、投資家や機関が意思決定を行い、リターンの拡大やリスク回避の目的を達成するのに役立つことが示された。
ソースコードはhttps://github.com/zshicode/Attention-CLX-stock-predictionで入手できる。
関連論文リスト
- GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - 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) - Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。
8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文 参考訳（メタデータ） (2024-06-02T06:39:01Z) - 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) - A Dynamical Model of Neural Scaling Laws [79.59705237659547]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。
我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文 参考訳（メタデータ） (2024-02-02T01:41:38Z) - 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) - nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。
トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。
NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
論文 参考訳（メタデータ） (2023-04-14T00:45:01Z) - 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) - Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error
(ERMSE): Deep Learning for Stock Price Movement Prediction [15.165487282631535]
本稿では,予測精度を向上し,ジェネレーティブ・アドバイサル・ネットワークを用いて誤差損失の予測を最小化することを目的とする。
The Generative Adversarial Network (GAN) has well performed on the enhanced root mean square error to LSTM。
論文 参考訳（メタデータ） (2021-11-30T18:38:59Z) - Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models [0.0]
本稿では,株価予測のための深層学習モデルについて述べる。
インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を利用する。
我々の提案には、畳み込みニューラルネットワーク上に構築された2つの回帰モデルと、3つの長期記憶ネットワークに基づく予測モデルが含まれる。
論文 参考訳（メタデータ） (2020-10-22T03:09:07Z) - 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。