Fugu-MT 論文翻訳(概要): Leveraging Vision-Language Models for Granular Market Change Prediction

論文の概要: Leveraging Vision-Language Models for Granular Market Change Prediction

arxiv url: http://arxiv.org/abs/2301.10166v1
Date: Tue, 17 Jan 2023 19:37:19 GMT
ステータス: 処理完了
システム内更新日: 2023-01-29 13:31:18.342724
Title: Leveraging Vision-Language Models for Granular Market Change Prediction
Title（参考訳）: 市場変化予測のための視覚言語モデルの利用
Authors: Christopher Wimmer, Navid Rekabsaz
Abstract要約: 本研究は,処理したストックデータの画像およびバイト単位の数値表現を利用して,市場の動きを根本的に新しいアプローチでモデル化し,予測することを提案する。我々は、ドイツ株指数の時間ごとの株価データについて大規模な実験を行い、過去の株価データを用いて株価予測に基づいて様々なアーキテクチャを評価する。評価の結果,ストックデータのテキスト(バイト)表現に基づく新しい手法が,画像の深層学習ベースラインを著しく上回ることがわかった。
参考スコア（独自算出の注目度）: 5.54780083433538
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting future direction of stock markets using the historical data has been a fundamental component in financial forecasting. This historical data contains the information of a stock in each specific time span, such as the opening, closing, lowest, and highest price. Leveraging this data, the future direction of the market is commonly predicted using various time-series models such as Long-Short Term Memory networks. This work proposes modeling and predicting market movements with a fundamentally new approach, namely by utilizing image and byte-based number representation of the stock data processed with the recently introduced Vision-Language models. We conduct a large set of experiments on the hourly stock data of the German share index and evaluate various architectures on stock price prediction using historical stock data. We conduct a comprehensive evaluation of the results with various metrics to accurately depict the actual performance of various approaches. Our evaluation results show that our novel approach based on representation of stock data as text (bytes) and image significantly outperforms strong deep learning-based baselines.
Abstract（参考訳）: 歴史的データを用いた株式市場の将来方向の予測は、金融予測の基本的な要素となっている。この履歴データには、開店、閉店、最低値、最高値など、特定の期間ごとの在庫の情報が含まれている。このデータを活用することで、長期記憶ネットワークのような様々な時系列モデルを用いて、市場の将来的な方向性を予測できる。本稿では,最近導入されたビジョンランゲージモデルで処理されたストックデータの画像およびバイト単位の数値表現を利用して,市場の動きのモデル化と予測を行う。我々は、ドイツ株指数の時間毎の株価データに関する大規模な実験を行い、過去の株価データを用いて株価予測の様々なアーキテクチャを評価した。様々な指標を用いて総合的な評価を行い、様々な手法の実際の性能を正確に表現する。評価の結果,ストックデータのテキスト(バイト)表現に基づく新しい手法が,画像の深層学習ベースラインを著しく上回ることがわかった。

関連論文リスト

Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文参考訳（メタデータ） (2024-10-24T17:56:08Z)
GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
論文参考訳（メタデータ） (2024-10-14T11:29:38Z)
StockTime: A Time Series Specialized Large Language Model Architecture for Stock Price Prediction [13.52020491768311]
株価時系列データに特化して設計された新しいLCMベースのアーキテクチャであるStockTimeを紹介する。最近のFinLLMとは異なり、StockTimeは特に株価時系列データのために設計されている。このマルチモーダルデータを融合させることで、StockTimeは任意の見返り期間の株価を効果的に予測する。
論文参考訳（メタデータ） (2024-08-25T00:50:33Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。 NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文参考訳（メタデータ） (2023-10-01T17:53:23Z)
Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。提案したモデルを5つのベンチマークグラフで評価する。
論文参考訳（メタデータ） (2023-08-29T03:26:38Z)
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
論文参考訳（メタデータ） (2021-06-17T17:15:02Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
A comparative study of Different Machine Learning Regressors For Stock Market Prediction [2.1485350418225244]
我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。目標は、履歴データを用いて翌日の株式の公開価格を計算することである。このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
論文参考訳（メタデータ） (2021-04-14T15:37:33Z)
Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文参考訳（メタデータ） (2021-04-06T11:09:51Z)
Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文参考訳（メタデータ） (2020-10-28T17:53:57Z)

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。