論文の概要: Multi-step-ahead Stock Price Prediction Using Recurrent Fuzzy Neural Network and Variational Mode Decomposition

• arxiv url: http://arxiv.org/abs/2212.14687v1
• Date: Sat, 24 Dec 2022 08:17:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 06:30:14.247655
• Title: Multi-step-ahead Stock Price Prediction Using Recurrent Fuzzy Neural Network and Variational Mode Decomposition
• Title（参考訳）: リカレントファジィニューラルネットワークと変動モード分解を用いた多段階株価予測
• Authors: Hamid Nasiri, Mohammad Mehdi Ebadzadeh
• Abstract要約: 本研究は, 概説した課題に基づいて, 多段階株価予測のための2つの新しい手法を提案する。 離散コサイン変換(DCT)と多機能リカレントファジィニューラルネットワーク(MFRFNN)に基づくDCT-MFRFNNは、DCTを用いて時系列の変動を低減し、その構造とMFRFNNを単純化し、株価を予測する。 VMD-MFRFNNは平均35.93%、24.88%、RMSEは34.59%減少している。
• 参考スコア（独自算出の注目度）: 1.0660480034605238
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Financial time series prediction, a growing research topic, has attracted considerable interest from scholars, and several approaches have been developed. Among them, decomposition-based methods have achieved promising results. Most decomposition-based methods approximate a single function, which is insufficient for obtaining accurate results. Moreover, most existing researches have concentrated on one-step-ahead forecasting that prevents stock market investors from arriving at the best decisions for the future. This study proposes two novel methods for multi-step-ahead stock price prediction based on the issues outlined. DCT-MFRFNN, a method based on discrete cosine transform (DCT) and multi-functional recurrent fuzzy neural network (MFRFNN), uses DCT to reduce fluctuations in the time series and simplify its structure and MFRFNN to predict the stock price. VMD-MFRFNN, an approach based on variational mode decomposition (VMD) and MFRFNN, brings together their advantages. VMD-MFRFNN consists of two phases. The input signal is decomposed to several IMFs using VMD in the decomposition phase. In the prediction and reconstruction phase, each of the IMFs is given to a separate MFRFNN for prediction, and predicted signals are summed to reconstruct the output. Three financial time series, including Hang Seng Index (HSI), Shanghai Stock Exchange (SSE), and Standard & Poor's 500 Index (SPX), are used for the evaluation of the proposed methods. Experimental results indicate that VMD-MFRFNN surpasses other state-of-the-art methods. VMD-MFRFNN, on average, shows 35.93%, 24.88%, and 34.59% decreases in RMSE from the second-best model for HSI, SSE, and SPX, respectively. Also, DCT-MFRFNN outperforms MFRFNN in all experiments.
• Abstract（参考訳）: 研究テーマである金融時系列予測は学者からかなりの関心を集めており、いくつかのアプローチが開発されている。 その中でも,分解に基づく手法は有望な結果を得た。 ほとんどの分解に基づく方法は、正確な結果を得るために不十分な1つの関数を近似する。 さらに、既存のほとんどの研究は、株式市場投資家が将来最良の決定に到達することを阻止する一段階の予測に集中している。 本研究は, 課題を概説した多段階株価予測手法を2つ提案する。 離散コサイン変換(DCT)と多機能リカレントファジィニューラルネットワーク(MFRFNN)に基づくDCT-MFRFNNは、DCTを用いて時系列の変動を低減し、その構造とMFRFNNを単純化し、株価を予測する。 変分モード分解(VMD)とMFRFNNに基づくアプローチであるVMD-MFRFNNは、それらの利点をまとめる。 VMD-MFRFNNは2つのフェーズから構成される。 入力信号は、分解相のVMDを用いて複数のIMFに分解される。 予測・再構築フェーズでは、IMFのそれぞれが別個のMFRFNNに入力され、予測信号をまとめて出力を再構築する。 提案手法の評価には、ハンセン指数(HSI)、上海証券取引所(SSE)、スタンダード&プアーズ500指数(SPX)の3つの金融時系列シリーズが使用されている。 実験結果から,VMD-MFRFNNが他の最先端手法を上回ることが示唆された。 vmd-mfrfnnは平均して35.93%, 24.88%, 34.59%のrmseがhsi, sse, spxの2位から減少した。 また、DCT-MFRFNNは全ての実験でMFRFNNを上回っている。

関連論文リスト

• Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer [1.9635048365486127]
  本研究では、変分モード分解(VMD)、PatchTST、適応スケール重み付け層(ASWL)を統合した新しい複合予測フレームワークを提案する。 VMD-PatchTST-ASWLフレームワークは従来のモデルに比べて予測精度が大幅に向上している。 この革新的なアプローチは、さまざまな財務分析や投資決定の文脈における潜在的な応用を含む、株価指数の価格予測のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-29T17:00:47Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• Multiple Hypothesis Dropout: Estimating the Parameters of Multi-Modal Output Distributions [22.431244647796582]
  本稿では,複数出力関数(Multiple-Output function, MoM)の解法について, 新たな解法であるMultiple hypothesis Dropoutを用いて提案する。 教師付き学習問題に対する実験は、我々の手法がマルチモーダルな出力分布を再構築するための既存のソリューションよりも優れていることを示している。 教師なし学習問題に関するさらなる研究は、離散オートエンコーダ内の潜在後続分布のパラメータを推定することで、コードブックの効率、サンプル品質、精度、リコールを大幅に改善することを示している。
  論文  参考訳（メタデータ） (2023-12-18T22:20:11Z)
• Robust Fiber ODF Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [7.9283612449524155]
  測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。 DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。 既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。 本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T14:06:40Z)
• A Novel Method Combines Moving Fronts, Data Decomposition and Deep Learning to Forecast Intricate Time Series [0.0]
  インド・サマーモンスーン・レインフォール(英語: Indian Summer Monsoon Rainfall、ISMR)は、インドの都市。 従来のワンタイム分解技術は、未来からの情報が漏れることに悩まされている。 データ漏洩を防止するために移動フロント(MF)法を提案する。
  論文  参考訳（メタデータ） (2023-03-11T12:07:26Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• Multi-Modal Mutual Information Maximization: A Novel Approach for Unsupervised Deep Cross-Modal Hashing [73.29587731448345]
  我々はCross-Modal Info-Max Hashing (CMIMH)と呼ばれる新しい手法を提案する。 モーダル内およびモーダル間の類似性を両立できる情報表現を学習する。 提案手法は、他の最先端のクロスモーダル検索手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2021-12-13T08:58:03Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
  本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。 提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
  論文  参考訳（メタデータ） (2020-06-08T02:39:59Z)

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。