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
- Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Analysis of frequent trading effects of various machine learning models [8.975239844705415]
提案アルゴリズムでは,ニューラルネットワーク予測を用いてトレーディング信号を生成し,売買操作を実行する。
ニューラルネットワークのパワーを活用することで、アルゴリズムはトレーディング戦略の正確性と信頼性を高める。
論文 参考訳(メタデータ) (2023-09-14T05:17:09Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - 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) - Financial Markets Prediction with Deep Learning [11.26482563151052]
金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。
カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。
我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
論文 参考訳(メタデータ) (2021-04-05T19:36:48Z) - 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。