Fugu-MT 論文翻訳(概要): Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting

論文の概要: Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting

arxiv url: http://arxiv.org/abs/2304.09840v3
Date: Mon, 15 May 2023 17:01:15 GMT
ステータス: 処理完了
システム内更新日: 2023-05-16 21:03:37.079338
Title: Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting
Title（参考訳）: 高周波トレーディング予測のための最適出力長短期記憶セル
Authors: Adamantios Ntakaris, Moncef Gabbouj, Juho Kanniainen
Abstract要約: 本稿では,最良ゲートや状態を最終出力として選択する,改良されたリアルタイムな長短期メモリセルを提案する。この修正されたセルは、オンラインの高周波トレーディング予測タスクにおいて、他のリカレントニューラルネットワークと比較して予測誤差が低い。
参考スコア（独自算出の注目度）: 23.12145985257309
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-frequency trading requires fast data processing without information lags for precise stock price forecasting. This high-paced stock price forecasting is usually based on vectors that need to be treated as sequential and time-independent signals due to the time irregularities that are inherent in high-frequency trading. A well-documented and tested method that considers these time-irregularities is a type of recurrent neural network, named long short-term memory neural network. This type of neural network is formed based on cells that perform sequential and stale calculations via gates and states without knowing whether their order, within the cell, is optimal. In this paper, we propose a revised and real-time adjusted long short-term memory cell that selects the best gate or state as its final output. Our cell is running under a shallow topology, has a minimal look-back period, and is trained online. This revised cell achieves lower forecasting error compared to other recurrent neural networks for online high-frequency trading forecasting tasks such as the limit order book mid-price prediction as it has been tested on two high-liquid US and two less-liquid Nordic stocks.
Abstract（参考訳）: 高頻度取引は、正確な株価予測のために情報遅延のない高速データ処理を必要とする。この高ペースの株価予測は通常、高周波取引に固有の時間不規則のため、シーケンシャルかつ時間に依存しない信号として扱う必要があるベクトルに基づいている。これらの時間不規則性を考慮したよく文書化されテストされた手法は、long short-term memory neural networkと呼ばれるリカレントニューラルネットワークの一種である。この種のニューラルネットワークは、セル内の順番が最適かどうかを知らずにゲートや状態を介して逐次的および静的な計算を行うセルに基づいて形成される。本稿では,最良ゲートや状態を最終出力として選択する,改良されたリアルタイムな長寿命メモリセルを提案する。私たちの細胞は浅いトポロジーの下で動作しており、最小のルックバック期間を持ち、オンラインでトレーニングされています。本改訂したセルは,2つの高液量米国株と2つの低液量北欧株で試験されたリミットオーダーブック中価格予測などのオンライン高頻度トレーディング予測タスクにおいて,他のリカレントニューラルネットワークと比較して低い予測誤差を達成している。

関連論文リスト

PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
論文参考訳（メタデータ） (2024-02-27T02:23:07Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Sparse neural networks with skip-connections for identification of aluminum electrolysis cell [0.4812321790984493]
本研究では,スキップ接続とスポーサリティプロモータライゼーションの組み合わせが,短い,中,長い予測地平線による予測の開放ループ安定性と精度に及ぼす影響について検討する。提案したモデル構造は、入力層と全ての断続層からスパース出力層へのスペーシング接続を含み、InputSkipと呼ばれる。その結果、InputSkipは、オープンループ安定性と長期予測精度に関して、高密度でスパースな標準フィードフォワードニューラルネットワークと高密度のInputSkipより優れていた。
論文参考訳（メタデータ） (2023-01-02T10:13:33Z)
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)
Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
論文参考訳（メタデータ） (2022-04-06T07:06:30Z)
Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error (ERMSE): Deep Learning for Stock Price Movement Prediction [15.165487282631535]
本稿では,予測精度を向上し,ジェネレーティブ・アドバイサル・ネットワークを用いて誤差損失の予測を最小化することを目的とする。 The Generative Adversarial Network (GAN) has well performed on the enhanced root mean square error to LSTM。
論文参考訳（メタデータ） (2021-11-30T18:38:59Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文参考訳（メタデータ） (2021-07-01T13:13:24Z)
Short-Term Stock Price-Trend Prediction Using Meta-Learning [1.8899300124593645]
畳み込みニューラルネットワークを用いたメタラーニングフレームワークを用いた短期株価予測について検討する。株価の予測値動向に応じて、銘柄をラベル付けするためのスライディングタイムの地平線を提案する。メタラーニングフレームワークの有効性をS&P500に適用して評価した。
論文参考訳（メタデータ） (2021-05-28T06:03:05Z)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。