Fugu-MT 論文翻訳(概要): Sequential Graph Attention Learning for Predicting Dynamic Stock Trends (Student Abstract)

論文の概要: Sequential Graph Attention Learning for Predicting Dynamic Stock Trends (Student Abstract)

arxiv url: http://arxiv.org/abs/2301.10153v1
Date: Sun, 15 Jan 2023 11:34:06 GMT
ステータス: 処理完了
システム内更新日: 2023-01-29 13:30:07.667372
Title: Sequential Graph Attention Learning for Predicting Dynamic Stock Trends (Student Abstract)
Title（参考訳）: 動的ストックトレンド予測のための逐次グラフ注意学習(sudent abstract)
Authors: Tzu-Ya Lai, Wen Jung Cheng and Jun-En Ding
Abstract要約: 本研究では,時系列グラフ構造と注意機構を組み合わせることで,時間内にグローバルおよびローカル情報を学習する。提案するGAT-AGNNモジュールは,複数の産業および単一産業におけるモデル性能を比較した。その結果,提案手法は台湾株データセット上での複数の産業における株価動向予測において,最先端の手法よりも優れていた。
参考スコア（独自算出の注目度）: 0.5371337604556311
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The stock market is characterized by a complex relationship between companies and the market. This study combines a sequential graph structure with attention mechanisms to learn global and local information within temporal time. Specifically, our proposed "GAT-AGNN" module compares model performance across multiple industries as well as within single industries. The results show that the proposed framework outperforms the state-of-the-art methods in predicting stock trends across multiple industries on Taiwan Stock datasets.
Abstract（参考訳）: 株式市場は企業と市場の間の複雑な関係が特徴である。本研究では,時系列グラフ構造と注意機構を組み合わせることで,時間内にグローバルおよびローカル情報を学習する。特に,提案するGAT-AGNNモジュールは,複数の産業および単一産業におけるモデル性能を比較した。その結果,提案手法は台湾株データセット上での複数の産業における株価動向予測において,最先端の手法よりも優れていた。

関連論文リスト

Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文参考訳（メタデータ） (2024-11-09T05:40:32Z)
MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning [2.879827542529434]
我々はMTRGL(Multi-modal Temporal Relation Graph Learning)という新しいフレームワークを導入する。 MTRGLは時系列データと離散的な特徴を時間グラフに結合し、メモリベースの時間グラフニューラルネットワークを使用する。実世界のデータセットを用いた実験により,MTRGLの優れた性能が確認された。
論文参考訳（メタデータ） (2024-01-25T14:21:14Z)
MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction [22.430266982219496]
マルチリレーショナルな動的グラフニューラルネットワーク(MDGNN)フレームワークを提案する。提案するMDGNNフレームワークは,SOTA(state-of-the-art-the-art)ストック投資手法と比較して,公開データセットにおける最高のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-01-19T02:51:29Z)
Multi-relational Graph Diffusion Neural Network with Parallel Retention for Stock Trends Classification [6.383640665055313]
本稿では,複数株の今後の動きを予測することを目的としたグラフベース表現学習手法を提案する。当社のアプローチは、7年にわたる3回の試行期間における次のトレーディングデイの株価トレンドを予想する上で、常に最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2024-01-05T17:15:45Z)
DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction [8.7861010791349]
本稿では,これらの問題に対処するための知識のない新しいグラフ学習手法を提案する。まず,信号処理の観点から,エントロピー駆動エッジ生成による動的ストックグラフの自動構築を行う。最後に, 特徴的階層内特徴を捉えるために, 分離表現学習方式を採用する。
論文参考訳（メタデータ） (2024-01-03T17:36:27Z)
EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文参考訳（メタデータ） (2023-03-22T06:35:08Z)
Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction [20.879245331384794]
近年のディープニューラルネットワーク (DNN) 法はハイパーグラフを用いて多次ダイナミクスを捉えるが、畳み込みのフーリエ基底に依存している。以上の課題を克服するために,ストックムーブメント予測のための枠組みを提案する。我々の枠組みは、利益と安定性の観点から最先端の手法より優れています。
論文参考訳（メタデータ） (2022-11-11T01:58:18Z)
Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文参考訳（メタデータ） (2022-07-08T10:25:47Z)
Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文参考訳（メタデータ） (2022-06-26T16:00:22Z)
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。