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

• Cross-border Commodity Pricing Strategy Optimization via Mixed Neural Network for Time Series Analysis [46.26988706979189]
  クロスボーダー商品の価格設定は、企業の競争力と市場シェアを決定する。 時系列データは商品価格において非常に重要であり、市場のダイナミクスやトレンドを明らかにすることができる。 本稿では,ハイブリッドニューラルネットワークモデルCNN-BiGRU-SSAに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T03:59:52Z)
• 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)
• Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
  インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
  論文  参考訳（メタデータ） (2024-06-02T06:39:01Z)
• 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)
• 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)
• Self-supervised Training of Graph Convolutional Networks [39.80867112204255]
  グラフ畳み込みネットワーク(GCN)は、非グリッドデータの解析に成功している。 本稿では,入力グラフ構造データ自体から利用可能な情報を活用するための2種類の自己教師型学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-03T16:53:37Z)
• 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。