Fugu-MT 論文翻訳(概要): Stock Volatility Prediction using Time Series and Deep Learning Approach

論文の概要: Stock Volatility Prediction using Time Series and Deep Learning Approach

arxiv url: http://arxiv.org/abs/2210.02126v1
Date: Wed, 5 Oct 2022 10:03:32 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 15:13:42.930516
Title: Stock Volatility Prediction using Time Series and Deep Learning Approach
Title（参考訳）: 時系列とディープラーニングによる株価変動予測
Authors: Ananda Chatterjee, Hrisav Bhowmick, and Jaydip Sen
Abstract要約: 本稿では,GARCH,Glosten-Jagannathan-GARCH,Exponential General Autoregressive Conditional heteroskedastic(EGARCH),LSTMフレームワークに依存する複数のボラティリティモデルを提案する。これまで検討されてきた分野は、銀行、情報技術(IT)、製薬である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Volatility clustering is a crucial property that has a substantial impact on stock market patterns. Nonetheless, developing robust models for accurately predicting future stock price volatility is a difficult research topic. For predicting the volatility of three equities listed on India's national stock market (NSE), we propose multiple volatility models depending on the generalized autoregressive conditional heteroscedasticity (GARCH), Glosten-Jagannathan-GARCH (GJR-GARCH), Exponential general autoregressive conditional heteroskedastic (EGARCH), and LSTM framework. Sector-wise stocks have been chosen in our study. The sectors which have been considered are banking, information technology (IT), and pharma. yahoo finance has been used to obtain stock price data from Jan 2017 to Dec 2021. Among the pulled-out records, the data from Jan 2017 to Dec 2020 have been taken for training, and data from 2021 have been chosen for testing our models. The performance of predicting the volatility of stocks of three sectors has been evaluated by implementing three different types of GARCH models as well as by the LSTM model are compared. It has been observed the LSTM performed better in predicting volatility in pharma over banking and IT sectors. In tandem, it was also observed that E-GARCH performed better in the case of the banking sector and for IT and pharma, GJR-GARCH performed better.
Abstract（参考訳）: ボラティリティクラスタリングは、株式市場のパターンに大きな影響を与える重要な特性である。それでも、将来の株価変動を正確に予測するための堅牢なモデルの開発は難しい研究課題である。インド株式市場(NSE)に上場する3つの株式のボラティリティを予測するため、一般化された自己回帰的条件付きヘテロスケサスティック性(GARCH)、Glosten-Jagannathan-GARCH(GJR-GARCH)、指数的自己回帰的条件付きヘテロスケサスティック(EGARCH)、LSTMフレームワークに依存する複数のボラティリティモデルを提案する。私たちの研究で部門別株価が選ばれた。これまで検討されてきた分野は、銀行、情報技術(IT)、製薬である。 yahoo financeは2017年1月から2021年12月までの株価データを取得するために利用されてきた。 2017年1月から2020年12月までのデータはトレーニングに使われ、2021年のデータは私たちのモデルをテストするために選ばれました。 3つのセクターの株式のボラティリティを予測できる性能を、lstmモデルと同様に3種類のガーチモデルを実装して評価した。 LSTMは、銀行やITセクターよりも薬局のボラティリティの予測に優れていた。また, 銀行部門ではE-GARCHが, ITや製薬ではGJR-GARCHが良好な成績を示した。

関連論文リスト

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)
Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文参考訳（メタデータ） (2023-08-07T14:21:05Z)
Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文参考訳（メタデータ） (2023-06-01T01:36:51Z)
BloombergGPT: A Large Language Model for Finance [42.73350054822628]
我々は、幅広い財務データに基づいて訓練された500億のパラメータ言語モデルであるBloombergGPTを提示する。 Bloombergの広範囲なデータソースに基づいて,汎用データセットから345億のトークンを付加した,363億のトークンデータセットを構築しました。我々の混合データセットトレーニングは、財務タスクにおける既存のモデルをかなりのマージンで上回るモデルにつながります。
論文参考訳（メタデータ） (2023-03-30T17:30:36Z)
Univariate and Multivariate LSTM Model for Short-Term Stock Market Prediction [1.6114012813668934]
本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。 10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
論文参考訳（メタデータ） (2022-05-08T07:01:12Z)
Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model [0.0]
本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
論文参考訳（メタデータ） (2021-11-09T07:50:48Z)
Sector Volatility Prediction Performance Using GARCH Models and Artificial Neural Networks [0.0]
本研究では,低,中,高ボラティリティプロファイルをもつ株に適用した場合のANNおよびGARCHモデルのボラティリティ予測性能を比較した。その結果,ANNモデルは,低ボラティリティプロファイルを持つ資産のボラティリティを予測するために使用されるべきであることが示された。 GARCHモデルは中・高ボラティリティ資産のボラティリティを予測する際に使用されるべきである。
論文参考訳（メタデータ） (2021-10-18T17:37:44Z)
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)
Volatility Modeling of Stocks from Selected Sectors of the Indian Economy Using GARCH [1.2891210250935146]
インド証券取引所(NSE)に上場している10銘柄のボラティリティをモデル化するための,一般化自己回帰的条件付き不均質(GARCH)フレームワークに基づくいくつかのボラティリティモデルを提案する。 2010年1月1日から2021年4月30日までの歴史的株価記録は、Pythonプログラミング言語のPandasモジュールのDataReader APIを使用してYahoo Financeのウェブサイトから取り除かれた。結果から、非対称GARCHモデルにより、将来の株価のボラティリティに関するより正確な予測が得られることが示された。
論文参考訳（メタデータ） (2021-05-28T14:59:40Z)
A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文参考訳（メタデータ） (2020-12-10T01:15:48Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)

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。