論文の概要: Real-time Forecasting of Time Series in Financial Markets Using
Sequentially Trained Many-to-one LSTMs
- arxiv url: http://arxiv.org/abs/2205.04678v1
- Date: Tue, 10 May 2022 05:18:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 18:50:47.522325
- Title: Real-time Forecasting of Time Series in Financial Markets Using
Sequentially Trained Many-to-one LSTMs
- Title（参考訳）: 連続学習多対一LSTMを用いた金融市場における時系列のリアルタイム予測
- Authors: Kelum Gajamannage and Yonggi Park
- Abstract要約: 2つのLSTMをトレーニングし、例えば、以前のデータのT$タイムステップをトレーニングし、1回だけ前に進むことを予測します。
1つのLSTMは最適なエポック数を見つけるために使用されるが、第2のLSTMは予測するエポック数だけを訓練する。
我々は、現在の予測を次の予測のためのトレーニングセットとして扱い、同じLSTMを訓練する。
- 参考スコア（独自算出の注目度）: 0.304585143845864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial markets are highly complex and volatile; thus, learning about such
markets for the sake of making predictions is vital to make early alerts about
crashes and subsequent recoveries. People have been using learning tools from
diverse fields such as financial mathematics and machine learning in the
attempt of making trustworthy predictions on such markets. However, the
accuracy of such techniques had not been adequate until artificial neural
network (ANN) frameworks were developed. Moreover, making accurate real-time
predictions of financial time series is highly subjective to the ANN
architecture in use and the procedure of training it. Long short-term memory
(LSTM) is a member of the recurrent neural network family which has been widely
utilized for time series predictions. Especially, we train two LSTMs with a
known length, say $T$ time steps, of previous data and predict only one time
step ahead. At each iteration, while one LSTM is employed to find the best
number of epochs, the second LSTM is trained only for the best number of epochs
to make predictions. We treat the current prediction as in the training set for
the next prediction and train the same LSTM. While classic ways of training
result in more error when the predictions are made further away in the test
period, our approach is capable of maintaining a superior accuracy as training
increases when it proceeds through the testing period. The forecasting accuracy
of our approach is validated using three time series from each of the three
diverse financial markets: stock, cryptocurrency, and commodity. The results
are compared with those of an extended Kalman filter, an autoregressive model,
and an autoregressive integrated moving average model.
- Abstract（参考訳）: 金融市場は高度に複雑で不安定であり、このような市場について予測のために学ぶことは、クラッシュやその後の回復を早期に警告する上で不可欠である。
金融数学や機械学習といった様々な分野の学習ツールを使って、そのような市場で信頼できる予測をしようとしている。
しかし、人工ニューラルネットワーク(ann)フレームワークが開発されるまでは、この技術の精度は十分ではなかった。
さらに、財務時系列の正確なリアルタイム予測を行うことは、使用中のANNアーキテクチャとその訓練手順に非常に適している。
長期記憶(Long Short-term memory, LSTM)は、時系列予測に広く利用されているリカレントニューラルネットワークファミリーのメンバーである。
特に、既知の長さを持つ2つのLSTM、例えば、以前のデータのT$タイムステップをトレーニングし、わずか1回だけ前進を予測します。
各イテレーションにおいて、1つのLSTMが最適なエポック数を見つけるために使用される一方で、第2のLSTMは予測するエポック数だけを訓練する。
我々は、現在の予測を次の予測のためのトレーニングセットとして扱い、同じLSTMを訓練する。
従来のトレーニング手法では,テスト期間中に予測がさらに遠ざかると誤差が大きくなるが,本手法では,テスト期間中にトレーニングが進むにつれて,精度が向上する。
我々のアプローチの予測精度は、株式、暗号通貨、商品の3つの異なる金融市場の3つの時系列を用いて検証される。
その結果,拡張カルマンフィルタ,自己回帰モデル,自己回帰的統合移動平均モデルと比較した。
- 全文 参考訳へのリンク
関連論文リスト
- Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
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。
論文 参考訳（メタデータ） (2022-04-06T07:06:30Z) - 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) - Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。
ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文 参考訳（メタデータ） (2022-01-20T15:17:26Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳（メタデータ） (2022-01-14T14:02:19Z) - 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 Time Series, Econometric, Machine Learning,
and Deep Learning Models [0.0]
本稿では,株価予測のための時系列,エコノメトリ,各種学習モデルについて述べる。
2004年1月から2019年12月までのInfosys、ICICI、SUN PHARMAのデータは、ここでモデルのトレーニングとテストに使用された。
火星は最高の機械学習モデルであることが証明され、LSTMは最高のディープラーニングモデルであることが証明された。
論文 参考訳（メタデータ） (2021-11-01T17:17:52Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳（メタデータ） (2021-07-05T10:15:23Z) - Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor
and Optimal Transport [8.617532047238461]
本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。
TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。
提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
論文 参考訳（メタデータ） (2021-06-24T12:19:45Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z)
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。