論文の概要: NETpred: Network-based modeling and prediction of multiple connected
market indices
- arxiv url: http://arxiv.org/abs/2212.05916v1
- Date: Fri, 2 Dec 2022 17:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 18:59:16.008465
- Title: NETpred: Network-based modeling and prediction of multiple connected
market indices
- Title（参考訳）: NETpred:複数接続市場指標のネットワークベースモデリングと予測
- Authors: Alireza Jafari and Saman Haratizadeh
- Abstract要約: 我々は、複数の関連指標とその在庫を表す新しいグラフを生成する、NETpredというフレームワークを紹介した。
次に、状態空間の異なる部分をカバーし、価格の動きを正確に予測できる多様な代表ノードの集合を徹底的に選択する。
得られたモデルを使用して、最終的に集約されたストックラベルを予測し、グラフ内のすべてのインデックスノードのラベルを推測する。
- 参考スコア（独自算出の注目度）: 8.122270502556372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Market prediction plays a major role in supporting financial decisions. An
emerging approach in this domain is to use graphical modeling and analysis to
for prediction of next market index fluctuations. One important question in
this domain is how to construct an appropriate graphical model of the data that
can be effectively used by a semi-supervised GNN to predict index fluctuations.
In this paper, we introduce a framework called NETpred that generates a novel
heterogeneous graph representing multiple related indices and their stocks by
using several stock-stock and stock-index relation measures. It then thoroughly
selects a diverse set of representative nodes that cover different parts of the
state space and whose price movements are accurately predictable. By assigning
initial predicted labels to such a set of nodes, NETpred makes sure that the
subsequent GCN model can be successfully trained using a semi-supervised
learning process. The resulting model is then used to predict the stock labels
which are finally aggregated to infer the labels for all the index nodes in the
graph. Our comprehensive set of experiments shows that NETpred improves the
performance of the state-of-the-art baselines by 3%-5% in terms of F-score
measure on different well-known data sets.
- Abstract（参考訳）: 市場予測は金融決定を支持する上で大きな役割を果たす。
この領域における新たなアプローチは、次の市場指標変動を予測するためにグラフィカルモデリングと分析を使用することである。
この領域における重要な問題のひとつは、インデックス変動を予測するために半教師付きGNNによって効果的に使用できるデータの適切なグラフィカルモデルを構築する方法である。
本稿では,複数の関連指標とその株価を表す新しい不均一グラフを,複数のストック・インデックス関係尺度を用いて生成するnetpredという枠組みを提案する。
そして、州空間の異なる部分をカバーし、価格の動きを正確に予測できる様々な代表ノード群を徹底的に選択する。
初期予測ラベルをそのようなノードに割り当てることにより、NETpredは、後続のGCNモデルを半教師付き学習プロセスでうまくトレーニングできることを保証する。
得られたモデルを使用して、最終的に集約されたストックラベルを予測し、グラフ内のすべてのインデックスノードのラベルを推測する。
総合的な実験の結果,netpredは,既知のデータセットの異なるf-score測定値において,最先端のベースラインのパフォーマンスを3%-5%向上させることがわかった。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの結果を予測する強力なツールとして登場した。
この問題に対処する一つの方法は、事前に定義された確率マージンを持つ真のラベルを含む予測セットを提供することである。
我々は,GNNに対するロバスト・コンフォーマル予測(RoCP-GNN)と呼ばれる新しい手法を提案する。
我々のアプローチはグラフベース半教師付き学習(SSL)の領域における予測の不確実性を定量化しながら、任意の予測的GNNモデルで結果を確実に予測する。
論文 参考訳（メタデータ） (2024-08-25T12:51:19Z) - Deep Generative Models for Subgraph Prediction [10.56335881963895]
本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。
サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。
我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
論文 参考訳（メタデータ） (2024-08-07T19:24:02Z) - 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) - Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。
具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。
GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
論文 参考訳（メタデータ） (2024-02-19T14:16:08Z) - Text Representation Enrichment Utilizing Graph based Approaches: Stock
Market Technical Analysis Case Study [0.0]
本稿では,教師なしノード表現学習モデルとノード分類/エッジ予測モデルを組み合わせたトランスダクティブハイブリッド手法を提案する。
提案手法は,この分野における最初の研究である株式市場の技術分析報告を分類するために開発された。
論文 参考訳（メタデータ） (2022-11-29T11:26:08Z) - GCNET: graph-based prediction of stock price movement using graph
convolutional network [8.122270502556372]
GCNETは、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用できる一般的な予測フレームワークである。
S&P500 と NASDAQ の在庫セットに関する実験および評価の結果,GCNET はSOTA の性能を精度およびMCC 測定で著しく向上させることが示された。
論文 参考訳（メタデータ） (2022-02-19T16:13:44Z) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳（メタデータ） (2021-03-29T14:03:03Z) - Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。
実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
論文 参考訳（メタデータ） (2021-02-24T20:57:16Z) - Interpreting Graph Neural Networks for NLP With Differentiable Edge
Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。
本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。
モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文 参考訳（メタデータ） (2020-10-01T17:51:19Z) - ProphetNet: Predicting Future N-gram for Sequence-to-Sequence
Pre-training [85.35910219651572]
本稿ではProphetNetと呼ばれる新しいシーケンス・ツー・シーケンス事前学習モデルを提案する。
将来的なn-gram予測という,新たな自己教師型目標を導入している。
我々は,CNN/DailyMail,Gigaword,SQuAD 1.1ベンチマークを用いて,抽象的な要約と質問生成タスクの実験を行った。
論文 参考訳（メタデータ） (2020-01-13T05:12:38Z)
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。