論文の概要: Stock Trend Prediction: A Semantic Segmentation Approach

• arxiv url: http://arxiv.org/abs/2303.09323v1
• Date: Thu, 9 Mar 2023 01:29:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-19 11:29:10.094243
• Title: Stock Trend Prediction: A Semantic Segmentation Approach
• Title（参考訳）: 株価トレンド予測:セマンティックセグメンテーションアプローチ
• Authors: Shima Nabiee, Nader Bagherzadeh
• Abstract要約: 完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。 我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
• 参考スコア（独自算出の注目度）: 3.718476964451589
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Market financial forecasting is a trending area in deep learning. Deep learning models are capable of tackling the classic challenges in stock market data, such as its extremely complicated dynamics as well as long-term temporal correlation. To capture the temporal relationship among these time series, recurrent neural networks are employed. However, it is difficult for recurrent models to learn to keep track of long-term information. Convolutional Neural Networks have been utilized to better capture the dynamics and extract features for both short- and long-term forecasting. However, semantic segmentation and its well-designed fully convolutional networks have never been studied for time-series dense classification. We present a novel approach to predict long-term daily stock price change trends with fully 2D-convolutional encoder-decoders. We generate input frames with daily prices for a time-frame of T days. The aim is to predict future trends by pixel-wise classification of the current price frame. We propose a hierarchical CNN structure to encode multiple price frames to multiscale latent representation in parallel using Atrous Spatial Pyramid Pooling blocks and take that temporal coarse feature stacks into account in the decoding stages. Our hierarchical structure of CNNs makes it capable of capturing both long and short-term temporal relationships effectively. The effect of increasing the input time horizon via incrementing parallel encoders has been studied with interesting and substantial changes in the output segmentation masks. We achieve overall accuracy and AUC of %78.18 and 0.88 for joint trend prediction over the next 20 days, surpassing other semantic segmentation approaches. We compared our proposed model with several deep models specifically designed for technical analysis and found that for different output horizons, our proposed models outperformed other models.
• Abstract（参考訳）: マーケットファイナンシャル予測はディープラーニングのトレンド分野である。 ディープラーニングモデルは、非常に複雑なダイナミクスや長期的な時間的相関など、株式市場データにおける古典的な課題に取り組むことができる。 これらの時系列間の時間的関係を捉えるために、リカレントニューラルネットワークを用いる。 しかし、リカレントモデルが長期的な情報を追跡することを学ぶことは困難である。 畳み込みニューラルネットワークは、短期予測と長期予測の両方において、ダイナミクスのキャプチャと特徴抽出に利用されてきた。 しかし、セマンティックセグメンテーションとそのよく設計された完全畳み込みネットワークは、時系列密度の分類において決して研究されていない。 完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。 T日間の時間枠で1日あたりの価格で入力フレームを生成する。 本研究の目的は,現在の価格フレームの画素単位での分類による今後のトレンドの予測である。 本稿では,複数の価格フレームを並列に符号化する階層型CNN構造を提案する。 cnnの階層構造により,長期的および短期的な時間的関係を効果的に捉えることができる。 並列エンコーダの増分による入力時間軸増加の効果は,出力セグメンテーションマスクの興味深い,実質的な変化とともに研究されている。 今後20日間の合同傾向予測では, 全体の精度とauc値が78.18および0.88となり, 他の意味セグメンテーション手法を上回った。 提案モデルと, 技術的解析に特化して設計された深層モデルを比較し, 出力の水平方向が異なる場合, 提案モデルが他のモデルより優れていることを確認した。

関連論文リスト

• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting [0.0]
  時系列予測はデータサイエンスにおける根本的な課題である。 RNNとCNNを組み合わせた並列ディープラーニングフレームワークを開発した。 3つのデータセットに対する大規模な実験により,本手法の有効性が明らかとなった。
  論文  参考訳（メタデータ） (2023-05-08T17:20:13Z)
• Financial Time Series Forecasting using CNN and Transformer [16.57996422431636]
  本稿では,CNN と Transformer のパワーを活用し,時系列内の短期的および長期的依存関係をモデル化する。 本実験では, 統計的・深層学習法と比較し, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-04-11T00:56:57Z)
• 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)
• FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial Video Classification [49.06447472006251]
  本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。 本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
  論文  参考訳（メタデータ） (2022-09-22T21:15:58Z)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)
• Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting [12.0855096102517]
  金融時系列予測のための表現学習フレームワークを提案する。 本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-02-18T15:24:33Z)

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。