論文の概要: Autoencoder based Hybrid Multi-Task Predictor Network for Daily
Open-High-Low-Close Prices Prediction of Indian Stocks
- arxiv url: http://arxiv.org/abs/2204.13422v1
- Date: Thu, 28 Apr 2022 11:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 21:49:23.181091
- Title: Autoencoder based Hybrid Multi-Task Predictor Network for Daily
Open-High-Low-Close Prices Prediction of Indian Stocks
- Title（参考訳）: オートエンコーダを用いたハイブリッドマルチタスク予測ネットワークによるインド株の日内オープン・ロークローズ価格予測
- Authors: Debasrita Chakraborty, Susmita Ghosh, Ashish Ghosh
- Abstract要約: マルチタスク予測ネットワークの前に,事前学習したエンコーダをカスケードする新しいフレームワークを提案する。
このようなネットワークは、株価を予測するのにずっと効率的であると考えられる。
- 参考スコア（独自算出の注目度）: 10.377424252002792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stock prices are highly volatile and sudden changes in trends are often very
problematic for traditional forecasting models to handle. The standard Long
Short Term Memory (LSTM) networks are regarded as the state-of-the-art models
for such predictions. But, these models fail to handle sudden and drastic
changes in the price trend. Moreover, there are some inherent constraints with
the open, high, low and close (OHLC) prices of the stocks. Literature lacks the
study on the inherent property of OHLC prices. We argue that predicting the
OHLC prices for the next day is much more informative than predicting the
trends of the stocks as the trend is mostly calculated using these OHLC prices
only. The problem mainly is focused on Buy-Today Sell-Tomorrow (BTST) trading.
In this regard, AEs when pre-trained with the stock prices, may be beneficial.
A novel framework is proposed where a pre-trained encoder is cascaded in front
of the multi-task predictor network. This hybrid network can leverage the power
of a combination of networks and can both handle the OHLC constraints as well
as capture any sudden drastic changes in the prices. It is seen that such a
network is much more efficient at predicting stock prices. The experiments have
been extended to recommend the most profitable and most overbought stocks on
the next day. The model has been tested for multiple Indian companies and it is
found that the recommendations from the proposed model have not resulted in a
single loss for a test period of 300 days.
- Abstract（参考訳）: 株価は非常に不安定であり、トレンドの急激な変化はしばしば従来の予測モデルに対処する上で非常に問題となる。
LSTM(Long Short Term Memory)ネットワークは、そのような予測の最先端モデルと見なされている。
しかし、これらのモデルは価格傾向の急変と劇的な変化には対処できない。
さらに、株式のオープン・ハイ・ロー・クローズ(ohlc)価格にはいくつかの固有の制約がある。
文学はOHLC価格の性質についての研究を欠いている。
我々は、翌日のohlc価格の予測は、これらのohlc価格のみを用いて主に計算されるため、株価の傾向を予測するよりもずっと有益であると主張する。
主にBTST(Buy-Today Sell-Tomorrow)取引に重点を置いている。
この点において、株価で事前訓練されたAEは有益かもしれない。
プレトレーニングエンコーダがマルチタスク予測ネットワークの前でカスケードされる,新たなフレームワークを提案する。
このハイブリッドネットワークは、ネットワークの組み合わせのパワーを活用し、OHLCの制約に対処すると同時に、突然の価格変動を捉えることができる。
このようなネットワークは、株価を予測するのにはるかに効率的である。
実験は翌日に最も利益率が高く、最も過多な株を推奨するために延長された。
このモデルは複数のインド企業でテストされており、提案されたモデルからのレコメンデーションでは300日間の試験期間で1回も損なわれていないことが判明した。
関連論文リスト
- 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) - Short-term Volatility Estimation for High Frequency Trades using
Gaussian processes (GPs) [0.0]
投資家のリターンの安全と経済のために、必要で定期的な短期・長期の株価変動予測を行うことが不可欠である。
本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を実装した。
論文 参考訳（メタデータ） (2023-11-18T02:03:48Z) - 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) - Transformer-Based Deep Learning Model for Stock Price Prediction: A Case
Study on Bangladesh Stock Market [0.0]
本稿では、ダッカ証券取引所(DSE)に上場する8銘柄の価格変動を予測するためのトランスフォーマーモデルの適用に焦点を当てる。
本実験は,ほとんどの株式において有望な結果と許容される根平均二乗誤差を示すものである。
論文 参考訳（メタデータ） (2022-08-17T14:03:28Z) - 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) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T08:38:20Z) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳（メタデータ） (2022-05-20T22:13:25Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Stock price prediction using BERT and GAN [0.0]
本稿では、株価を予測するための最先端の手法の集合体を提案する。
これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。
その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
論文 参考訳（メタデータ） (2021-07-18T18:31:43Z) - Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep
Learning Models [0.0]
本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。
我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
論文 参考訳（メタデータ） (2020-11-07T16:07:10Z)
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。