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
- Enhancing Price Prediction in Cryptocurrency Using Transformer Neural
Network and Technical Indicators [0.5439020425819]
方法論は、技術指標、Performerニューラルネットワーク、BiLSTMの使用を統合する。
提案手法は、主要な暗号通貨の時間と日時に適用される。
論文 参考訳(メタデータ) (2024-03-06T10:53:12Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Temporal and Heterogeneous Graph Neural Network for Financial Time
Series Prediction [14.056579711850578]
金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。
われわれは米国と中国における株式市場に関する広範な実験を行っている。
論文 参考訳(メタデータ) (2023-05-09T11:17:46Z) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳(メタデータ) (2022-07-23T18:54:10Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。
数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
論文 参考訳(メタデータ) (2021-12-02T12:33:12Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z)
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。