論文の概要: Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy

• arxiv url: http://arxiv.org/abs/2205.08382v1
• Date: Wed, 11 May 2022 20:44:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-22 13:07:25.681351
• Title: Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy
• Title（参考訳）: データ前処理、ニューラルネットワークモデル、トレーディング戦略を含む金融時系列データと互換性のあるディープニューラルネットワークフレームワーク
• Authors: Mohammadmahdi Ghahramani, Hamid Esmaeili Najafabadi
• Abstract要約: この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。 この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
• 参考スコア（独自算出の注目度）: 2.347843817145202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Experience has shown that trading in stock and cryptocurrency markets has the potential to be highly profitable. In this light, considerable effort has been recently devoted to investigate how to apply machine learning and deep learning to interpret and predict market behavior. This research introduces a new deep neural network architecture and a novel idea of how to prepare financial data before feeding them to the model. In the data preparation part, the first step is to generate many features using technical indicators and then apply the XGBoost model for feature engineering. Splitting data into three categories and using separate autoencoders, we extract high-level mixed features at the second step. This data preprocessing is introduced to predict price movements. Regarding modeling, different convolutional layers, an long short-term memory unit, and several fully-connected layers have been designed to perform binary classification. This research also introduces a trading strategy to exploit the trained model outputs. Three different datasets are used to evaluate this method, where results indicate that this framework can provide us with profitable and robust predictions.
• Abstract（参考訳）: 経験から、株式と暗号通貨市場の取引は高い利益をもたらす可能性があることが示されている。 この光の中で、最近、市場行動の解釈と予測に機械学習とディープラーニングを適用する方法について、かなりの努力が注がれている。 この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に財務データを準備する方法の新しいアイデアを紹介する。 データ準備部では、まず技術的な指標を使って多くの機能を生成し、それから機能エンジニアリングにXGBoostモデルを適用する。 データを3つのカテゴリに分割し、分離したオートエンコーダを用いて、2番目のステップでハイレベルな混合特徴を抽出する。 このデータ前処理は価格変動を予測するために導入される。 モデリングに関しては、異なる畳み込み層、長い短期記憶ユニット、およびいくつかの完全接続層がバイナリ分類を行うように設計されている。 この研究は、訓練されたモデル出力を活用するためのトレーディング戦略も導入している。 この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。

関連論文リスト

• AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks [0.0]
  本研究では,HMM(Hidden Markov Models)とニューラルネットワークを組み合わせた新たなアプローチを提案する。 新型コロナウイルスの期間(2019-2022年)に、この二重モデルアプローチはシャープ比0.77で83%のリターンを達成した。
  論文  参考訳（メタデータ） (2024-07-29T10:26:52Z)
• 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)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• 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)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• 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)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)
• A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data [20.392440676633573]
  本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。 このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。 現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
  論文  参考訳（メタデータ） (2020-10-11T10:42:02Z)
• Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions [0.0]
  本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。 Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
  論文  参考訳（メタデータ） (2020-08-08T08:42:46Z)
• A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News [7.578363431637128]
  本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。 ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。 完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
  論文  参考訳（メタデータ） (2020-07-23T15:25:37Z)

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。