論文の概要: Short-Term Volatility Prediction Using Deep CNNs Trained on Order Flow

• arxiv url: http://arxiv.org/abs/2304.02472v1
• Date: Tue, 4 Apr 2023 12:32:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 12:23:43.914726
• Title: Short-Term Volatility Prediction Using Deep CNNs Trained on Order Flow
• Title（参考訳）: 注文フローを訓練した深層cnnを用いた短期変動予測
• Authors: Mingyu Hao, Artem Lenskiy
• Abstract要約: 我々は,市場情報を画像にエンコードし,畳み込みニューラルネットワークを用いて短期的なボラティリティの予測を行うアプローチを採用した。 実験結果から,畳み込みニューラルネットワークによる市場データの予測モデルによる市場データの表現は,市場ダイナミクスをよりよく捉え,ボラティリティの予測を良くする可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a newly emerged asset class, cryptocurrency is evidently more volatile compared to the traditional equity markets. Due to its mostly unregulated nature, and often low liquidity, the price of crypto assets can sustain a significant change within minutes that in turn might result in considerable losses. In this paper, we employ an approach for encoding market information into images and making predictions of short-term realized volatility by employing Convolutional Neural Networks. We then compare the performance of the proposed encoding and corresponding model with other benchmark models. The experimental results demonstrate that this representation of market data with a Convolutional Neural Network as a predictive model has the potential to better capture the market dynamics and a better volatility prediction.
• Abstract（参考訳）: 新たに出現した資産クラスとして、暗号通貨は従来の株式市場よりも明らかに揮発性が高い。 ほとんど規制されていない性質と、しばしば流動性が低いため、暗号通貨資産の価格が数分以内に大きな変化を持続し、結果としてかなりの損失をもたらす可能性がある。 本稿では,市場情報を画像に符号化し,畳み込みニューラルネットワークを用いて短期的なボラティリティの予測を行う手法を提案する。 次に,提案する符号化モデルと対応するモデルの性能を,他のベンチマークモデルと比較する。 実験結果から,畳み込みニューラルネットワークによる市場データの予測モデルによるマーケットデータの表現は,市場ダイナミクスをよりよく捉え,ボラティリティの予測を良くする可能性が示された。

関連論文リスト

• A Stock Price Prediction Approach Based on Time Series Decomposition and Multi-Scale CNN using OHLCT Images [8.073306549051802]
  本稿では,中国Aシェア市場の株価変動を予測するために,Sequence-based Multi-scale Fusion Regression Convolutional Neural Network (SMSFR-CNN) という新しい手法を提案する。 CNNを利用して逐次的特徴を学習し、それらを画像特徴と組み合わせることで、Aシェア市場株価データセットにおける株価トレンド予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-25T03:50:54Z)
• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  拡散モデルは、大規模な生成画像モデルの分野を支配してきた。 本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks [0.0]
  本研究では,HMM(Hidden Markov Models)とニューラルネットワークを組み合わせた新たなアプローチを提案する。 新型コロナウイルスの期間(2019-2022年)に、この二重モデルアプローチはシャープ比0.77で83%のリターンを達成した。
  論文  参考訳（メタデータ） (2024-07-29T10:26:52Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• TokenUnify: Scalable Autoregressive Visual Pre-training with Mixture Token Prediction [61.295716741720284]
  TokenUnifyは、ランダムトークン予測、次のトークン予測、次のトークン予測を統合する新しい事前学習手法である。 TokenUnifyと共同で,超高解像度の大規模電子顕微鏡画像データセットを構築した。 このデータセットには1億2000万以上の注釈付きボクセルが含まれており、これまでで最大のニューロンセグメンテーションデータセットとなっている。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• Computational Tradeoffs in Image Synthesis: Diffusion, Masked-Token, and Next-Token Prediction [79.78050867137594]
  拡散、マスク付きトーケン予測、および次のトーケン予測はすべてトランスフォーマーネットワークアーキテクチャを使用する。 FLOPで測定された計算予算のレンズを用いて,各手法のスケーラビリティを解析する。 次点予測によって導かれるトークン予測手法は, 後続のプロンプト上での拡散率を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2024-05-21T21:49:39Z)
• A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
  本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。 自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
  論文  参考訳（メタデータ） (2024-02-08T16:45:01Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting [11.730033307068405]
  我々は、92,846社のデータを分析するために、ブラック・スコールズ方程式の新しい経験的数学的モデルを作成し、評価する。 準可逆法 (QRM) を用いて, ある日, 将来のオプション価格を予測し, 逆問題として, 時間内におけるブラック・スコールズ(BS)方程式を解く。 研究の現在の段階は、QRMと畳み込みニューラルネットワーク(CNN)を組み合わせることで、多数のデータポイントを同時に学習する。
  論文  参考訳（メタデータ） (2022-08-25T04:08:59Z)
• Beyond Point Estimate: Inferring Ensemble Prediction Variation from Neuron Activation Strength in Recommender Systems [21.392694985689083]
  Ensemble Methodは、予測不確実性推定のための最先端のベンチマークである。 予測のバリエーションは、様々なランダム性源から生じることを観察する。 本稿では,ニューロンの活性化強度の予測変動を推定し,活性化強度の特徴から強い予測力を示す。
  論文  参考訳（メタデータ） (2020-08-17T00:08:27Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。