論文の概要: Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network

• arxiv url: http://arxiv.org/abs/2302.14164v1
• Date: Mon, 27 Feb 2023 21:56:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 18:50:57.882301
• Title: Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network
• Title（参考訳）: ドメイン知識インフォームドジェネレーティブネットワークによるストック広インデックストレンドパターン学習
• Authors: Jingyi Gu, Fadi P. Deek, Guiling Wang
• Abstract要約: 本稿では、市場固有の特性を意図的に設計したインデックスGANを提案する。 また、実数列と予測列の間のワッサーシュタイン距離を近似するために批判を利用する。
• 参考スコア（独自算出の注目度）: 2.1163070161951865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the Stock movement attracts much attention from both industry and academia. Despite such significant efforts, the results remain unsatisfactory due to the inherently complicated nature of the stock market driven by factors including supply and demand, the state of the economy, the political climate, and even irrational human behavior. Recently, Generative Adversarial Networks (GAN) have been extended for time series data; however, robust methods are primarily for synthetic series generation, which fall short for appropriate stock prediction. This is because existing GANs for stock applications suffer from mode collapse and only consider one-step prediction, thus underutilizing the potential of GAN. Furthermore, merging news and market volatility are neglected in current GANs. To address these issues, we exploit expert domain knowledge in finance and, for the first time, attempt to formulate stock movement prediction into a Wasserstein GAN framework for multi-step prediction. We propose IndexGAN, which includes deliberate designs for the inherent characteristics of the stock market, leverages news context learning to thoroughly investigate textual information and develop an attentive seq2seq learning network that captures the temporal dependency among stock prices, news, and market sentiment. We also utilize the critic to approximate the Wasserstein distance between actual and predicted sequences and develop a rolling strategy for deployment that mitigates noise from the financial market. Extensive experiments are conducted on real-world broad-based indices, demonstrating the superior performance of our architecture over other state-of-the-art baselines, also validating all its contributing components.
• Abstract（参考訳）: 株価の動きを予測することは、産業と学界の両方から多くの注目を集めている。 このような大きな努力にもかかわらず、需給、経済状態、政治環境、さらには不合理な人間の行動といった要因によって引き起こされる、本質的に複雑な株式市場の性質のため、その結果は満足できないままである。 近年,時系列データのためにgan(generative adversarial network)が拡張されているが,ロバストな手法は主に合成系列生成のためのものである。 これは、既存のストックアプリケーション用GANがモード崩壊に悩まされ、一段階の予測のみを考慮するため、GANのポテンシャルを弱めるためである。 さらに、現在のGANでは、ニュースと市場のボラティリティの融合は無視されている。 これらの課題に対処するため、金融分野の専門家による知識を活用し、多段階予測のためのストックムーブメント予測をWasserstein GANフレームワークに定式化しようとする。 本稿では,株価,ニュース,市場感情の時間的依存を捉えた注意深いSeq2seq学習ネットワークを開発するために,ニュースコンテキスト学習を活用して,市場固有の特徴を意図的に設計したインデックスGANを提案する。 また、この批判を利用して、実際のシーケンスと予測シーケンス間のワッサースタイン距離を近似し、金融市場からのノイズを緩和する展開戦略を開発する。 実世界の広義の指標を用いて大規模な実験を行い、アーキテクチャの他の最先端のベースラインよりも優れた性能を示し、貢献するすべてのコンポーネントを検証する。

関連論文リスト

• RAGIC: Risk-Aware Generative Adversarial Model for Stock Interval Construction [4.059196561157555]
  既存の予測アプローチの多くは、効果的な意思決定に必要な深さを欠いて、単一ポイントの予測に焦点を当てている。 本稿では,不確実性をより効果的に定量化するために,ストック間隔予測のためのシーケンス生成を導入するRAGICを提案する。 RAGICのジェネレータには、情報投資家のリスク認識をキャプチャするリスクモジュールと、歴史的価格動向と季節性を考慮した時間モジュールが含まれている。
  論文  参考訳（メタデータ） (2024-02-16T15:34:07Z)
• ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock Movement and Volatility Prediction [20.574163667057476]
  我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。 我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。 市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-28T13:31:39Z)
• Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing [0.0]
  この調査は、TeslaやAppleといった大手企業の株価を予測するためのツールとして、Twitterの感情の有効性を評価することを目的としている。 以上の結果から, 株価変動の主要な要因は, 肯定性, 否定性, 主観性であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-31T21:20:58Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• 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)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Price graphs: Utilizing the structural information of financial time series for stock prediction [4.4707451544733905]
  株価予測に関する両問題に対処する新しい枠組みを提案する。 時系列を複雑なネットワークに変換するという点では、市場価格をグラフに変換する。 予測モデル入力として時間点間の関係を表すためにグラフ埋め込みを用いる。
  論文  参考訳（メタデータ） (2021-06-04T14:46:08Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• Deep Portfolio Optimization via Distributional Prediction of Residual Factors [3.9189409002585562]
  そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。 本手法が米国および日本の株式市場データに有効であることを実証する。
  論文  参考訳（メタデータ） (2020-12-14T04:09:52Z)

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。