論文の概要: Feature Engineering Methods on Multivariate Time-Series Data for Financial Data Science Competitions

• arxiv url: http://arxiv.org/abs/2303.16117v1
• Date: Sun, 26 Mar 2023 00:57:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 14:22:50.022713
• Title: Feature Engineering Methods on Multivariate Time-Series Data for Financial Data Science Competitions
• Title（参考訳）: 金融データサイエンスコンペティションのための多変量時系列データの特徴工学手法
• Authors: Thomas Wong, Mauricio Barahona
• Abstract要約: 時系列の異なる特徴工学手法を米国市場価格データに適用する。 モデルの予測力は、Numerai-Signalsターゲットに対してテストされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We apply different feature engineering methods for time-series to US market price data. The predictive power of models are tested against Numerai-Signals targets.
• Abstract（参考訳）: 時系列の異なる特徴工学手法を米国市場価格データに適用する。 モデルの予測能力は、ヌメライ信号ターゲットに対してテストされる。

関連論文リスト

• A Survey of Small Language Models [104.80308007044634]
  小言語モデル (SLM) は, 計算資源の最小化による言語タスクの効率化と性能の向上により, ますます重要になってきている。 本稿では,SLMのアーキテクチャ,トレーニング技術,モデル圧縮技術に着目した総合的な調査を行う。
  論文  参考訳（メタデータ） (2024-10-25T23:52:28Z)
• TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods [27.473935782550388]
  時系列は、経済、交通、健康、エネルギーといった様々な領域で生成される。 本稿では,時系列予測(TSF)手法の自動ベンチマークであるTFBを提案する。
  論文  参考訳（メタデータ） (2024-03-29T12:37:57Z)
• A Survey on Data Selection for Language Models [148.300726396877]
  データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。 ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。 広範なデータ選択研究のリソースを持つ組織はほとんどない。
  論文  参考訳（メタデータ） (2024-02-26T18:54:35Z)
• Multi-document Summarization: A Comparative Evaluation [0.0]
  本論文は,多文書要約(MDS)のための最先端モデルの評価を,様々な領域の異なるタイプのデータセット上で行うことを目的としている。 我々は,Big-SurveyおよびMS$2$データセット上でのPRIMERAおよびPEGモデルの性能を解析した。
  論文  参考訳（メタデータ） (2023-09-10T07:43:42Z)
• Dynamic Datasets and Market Environments for Financial Reinforcement Learning [68.11692837240756]
  FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。 我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。 また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
  論文  参考訳（メタデータ） (2023-04-25T22:17:31Z)
• Leveraging Vision-Language Models for Granular Market Change Prediction [5.54780083433538]
  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。
  論文  参考訳（メタデータ） (2023-01-17T19:37:19Z)
• Forecasting Market Prices using DL with Data Augmentation and Meta-learning: ARIMA still wins! [9.747087204429368]
  本稿では,金融市場における価格予測のためのディープラーニング技術の性能について検討する。 NBeatsのような最先端のディープラーニングベースラインを、通貨や株式市場のデータに基づいてベンチマークします。 実験の結果,データ拡張やメタ学習においても,標準のARIMAモデルはディープラーニングよりも優れていた。
  論文  参考訳（メタデータ） (2021-10-19T20:01:34Z)
• OSOUM Framework for Trading Data Research [79.0383470835073]
  私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。 我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。 データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
  論文  参考訳（メタデータ） (2021-02-18T09:20:26Z)
• Modeling Financial Time Series using LSTM with Trainable Initial Hidden States [0.0]
  本稿では,ディープラーニングモデルを用いた金融時系列のモデリング手法を提案する。 トレーニング可能な初期隠れ状態を備えたLong Short-Term Memory (LSTM) ネットワークを使用する。
  論文  参考訳（メタデータ） (2020-07-14T06:36:10Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。