論文の概要: Bi-LSTM Price Prediction based on Attention Mechanism
- arxiv url: http://arxiv.org/abs/2212.03443v2
- Date: Sun, 18 Jun 2023 15:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 04:48:07.923706
- Title: Bi-LSTM Price Prediction based on Attention Mechanism
- Title(参考訳): 注意機構に基づくBi-LSTM価格予測
- Authors: Jiashu Lou, Leyi Cui, Ye Li
- Abstract要約: 我々は,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。
予測結果から2年間で1089.34%のリターンを得た。
また,本論文で提案したBi-LSTMモデルと従来のモデルとの比較を行い,本モデルが本データセットで最高の性能を示すことを示す。
- 参考スコア(独自算出の注目度): 2.455751370157653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing enrichment and development of the financial derivatives
market, the frequency of transactions is also faster and faster. Due to human
limitations, algorithms and automatic trading have recently become the focus of
discussion. In this paper, we propose a bidirectional LSTM neural network based
on an attention mechanism, which is based on two popular assets, gold and
bitcoin. In terms of Feature Engineering, on the one hand, we add traditional
technical factors, and at the same time, we combine time series models to
develop factors. In the selection of model parameters, we finally chose a
two-layer deep learning network. According to AUC measurement, the accuracy of
bitcoin and gold is 71.94% and 73.03% respectively. Using the forecast results,
we achieved a return of 1089.34% in two years. At the same time, we also
compare the attention Bi-LSTM model proposed in this paper with the traditional
model, and the results show that our model has the best performance in this
data set. Finally, we discuss the significance of the model and the
experimental results, as well as the possible improvement direction in the
future.
- Abstract(参考訳): 金融デリバティブ市場の拡大と発展に伴い、取引の頻度もより速く、より速くなります。
人間の限界により、最近はアルゴリズムと自動トレーディングが議論の中心となっている。
本稿では,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。
機能工学の面では,従来の技術要素を付加すると同時に,時系列モデルを組み合わせることで,要因の開発も行います。
モデルパラメータの選択において、我々は最終的に2層深層学習ネットワークを選択した。
aucの測定によれば、bitcoinと金の正確性はそれぞれ71.94%と73.03%である。
予測結果を用いて,2年間で1089.34%のリターンを達成した。
同時に,本論文で提案した Bi-LSTM モデルと従来のモデルとの比較を行い,本モデルがデータセット上で最高の性能を示すことを示す。
最後に, モデルの重要性と実験結果, 今後の改善方向性について考察する。
関連論文リスト
- Enhancing Price Prediction in Cryptocurrency Using Transformer Neural
Network and Technical Indicators [0.5439020425819]
方法論は、技術指標、Performerニューラルネットワーク、BiLSTMの使用を統合する。
提案手法は、主要な暗号通貨の時間と日時に適用される。
論文 参考訳(メタデータ) (2024-03-06T10:53:12Z) - 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) - 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) - 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 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) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳(メタデータ) (2021-10-07T11:58:35Z) - 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) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z) - Deep Probabilistic Modelling of Price Movements for High-Frequency
Trading [0.0]
本稿では、高周波市場価格の確率論的モデリングのための深い再帰アーキテクチャを提案する。
結果として生じる深層混合モデルは、自動化された高周波取引戦略の開発において重要ないくつかの実践的課題に同時に対処する。
このモデルでは,メトリックベーステストとシミュレートされたトレーディングシナリオの両方において,ベンチマークモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-31T19:25:40Z)
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。