論文の概要: Stock Price Prediction Using Temporal Graph Model with Value Chain Data
- arxiv url: http://arxiv.org/abs/2303.09406v1
- Date: Tue, 7 Mar 2023 17:24:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-19 11:31:03.337656
- Title: Stock Price Prediction Using Temporal Graph Model with Value Chain Data
- Title(参考訳): バリューチェーンデータを用いた時間グラフモデルによる株価予測
- Authors: Chang Liu and Sandra Paterlini
- Abstract要約: 本稿では,Long Short-Term Memory Graph Convolutional Neural Network (LSTM-GCN)モデルを提案する。
本実験により,LSTM-GCNモデルでは,価格データに完全に反映されていないバリューチェーンデータから付加的な情報を取得することができることが示された。
- 参考スコア(独自算出の注目度): 3.1641827542160805
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stock price prediction is a crucial element in financial trading as it allows
traders to make informed decisions about buying, selling, and holding stocks.
Accurate predictions of future stock prices can help traders optimize their
trading strategies and maximize their profits. In this paper, we introduce a
neural network-based stock return prediction method, the Long Short-Term Memory
Graph Convolutional Neural Network (LSTM-GCN) model, which combines the Graph
Convolutional Network (GCN) and Long Short-Term Memory (LSTM) Cells.
Specifically, the GCN is used to capture complex topological structures and
spatial dependence from value chain data, while the LSTM captures temporal
dependence and dynamic changes in stock returns data. We evaluated the LSTM-GCN
model on two datasets consisting of constituents of Eurostoxx 600 and S&P 500.
Our experiments demonstrate that the LSTM-GCN model can capture additional
information from value chain data that are not fully reflected in price data,
and the predictions outperform baseline models on both datasets.
- Abstract(参考訳): 株価予測は金融取引において重要な要素であり、トレーダーは株式の売買、保有に関して情報的な決定を下すことができる。
将来の株価の正確な予測はトレーダーの取引戦略の最適化と利益の最大化に役立つ。
本稿では,Long Short-Term Memory Graph Convolutional Neural Network (LSTM-GCN) モデルとして,Graph Convolutional Network (GCN) とLong Short-Term Memory (LSTM) セルを組み合わせたニューラルネットワークを用いたストックリターン予測手法を提案する。
特に、GCNは複雑なトポロジカルな構造とバリューチェーンデータからの空間的依存を捉え、LSTMは時間的依存とストックリターンデータの動的変化を捉えている。
LSTM-GCNモデルをEurostoxx 600とS&P 500の構成成分からなる2つのデータセットで評価した。
実験により,LSTM-GCNモデルは,価格データに完全に反映されていないバリューチェーンデータから付加的な情報を取得することができ,予測は両データセットのベースラインモデルより優れていた。
関連論文リスト
- ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
論文 参考訳(メタデータ) (2023-12-02T03:55:37Z) - Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。
ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文 参考訳(メタデータ) (2022-01-20T15:17:26Z) - 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) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - 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) - A Deep Learning Framework for Predicting Digital Asset Price Movement
from Trade-by-trade Data [20.392440676633573]
本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。
このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。
現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
論文 参考訳(メタデータ) (2020-10-11T10:42:02Z) - 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) - A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock
Prices and News [7.578363431637128]
本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。
ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。
完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
論文 参考訳(メタデータ) (2020-07-23T15:25:37Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z) - On the Difference Between the Information Bottleneck and the Deep
Information Bottleneck [81.89141311906552]
本稿では,Deep Variational Information Bottleneckとその導出に必要な仮定について再考する。
後者のマルコフ連鎖のみを満たすべき$I(T;Y)$に対して下界を最適化することで、この制限を回避する方法を示す。
論文 参考訳(メタデータ) (2019-12-31T18:31:42Z)
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。