論文の概要: Identifying Trades Using Technical Analysis and ML/DL Models
- arxiv url: http://arxiv.org/abs/2304.09936v1
- Date: Wed, 12 Apr 2023 18:46:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 04:07:52.530420
- Title: Identifying Trades Using Technical Analysis and ML/DL Models
- Title(参考訳): 技術分析とML/DLモデルを用いた取引の特定
- Authors: Aayush Shah, Mann Doshi, Meet Parekh, Nirmit Deliwala, Prof. Pramila
M. Chawan
- Abstract要約: 株式市場の価格予測の重要性は過大評価できない。
投資家は投資決定をインフォームドし、リスクを管理し、金融システムの安定性を確保することができる。
ディープラーニングは株価を正確に予測する上で有望だが、まだ多くの研究が続けられている。
- 参考スコア(独自算出の注目度): 1.181206257787103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The importance of predicting stock market prices cannot be overstated. It is
a pivotal task for investors and financial institutions as it enables them to
make informed investment decisions, manage risks, and ensure the stability of
the financial system. Accurate stock market predictions can help investors
maximize their returns and minimize their losses, while financial institutions
can use this information to develop effective risk management policies.
However, stock market prediction is a challenging task due to the complex
nature of the stock market and the multitude of factors that can affect stock
prices. As a result, advanced technologies such as deep learning are being
increasingly utilized to analyze vast amounts of data and provide valuable
insights into the behavior of the stock market. While deep learning has shown
promise in accurately predicting stock prices, there is still much research to
be done in this area.
- Abstract(参考訳): 株式市場の価格予測の重要性は過大評価できない。
投資家や金融機関にとって、インフォームド・インベストメントの決定、リスク管理、金融システムの安定性確保を可能にする重要な課題である。
正確な株式市場予測は投資家のリターンを最大化し損失を最小化するのに役立つ。
しかし、株式市場の複雑な性質と株価に影響を与える要因が多々あるため、株式市場の予測は難しい課題である。
その結果、深層学習のような先進技術は、膨大な量のデータを分析し、株式市場の行動に関する貴重な洞察を提供するためにますます活用されている。
ディープラーニングは株価を正確に予測する上で有望だが、この分野ではまだまだ多くの研究が必要である。
関連論文リスト
- 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) - Integrating Tick-level Data and Periodical Signal for High-frequency
Market Making [6.905391624417593]
我々は,より正確で堅牢な市場形成戦略を開発するために,定期的な予測信号でギグレベルのデータを融合する深層強化学習手法を提案する。
提案手法は,収益性やリスク管理の観点から既存手法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-19T07:10:46Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Deep learning based Chinese text sentiment mining and stock market
correlation research [6.000327333763521]
我々は、ストックバーなどの金融フォーラムデータをクロールして、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。
本稿では、BERTモデルを用いて、財務コーパスに対するトレーニングを行い、SZSE成分指数を予測する。
得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つだろう。
論文 参考訳(メタデータ) (2022-05-10T08:35:33Z) - Research on the correlation between text emotion mining and stock market
based on deep learning [6.000327333763521]
本稿では,Bertモデルを用いて金融コーパスをトレーニングし,深セン株価指数を予測する。
その結果,BERTモデルを金融コーパスに適用することにより得られる感情特性は,株式市場の変動に反映できることがわかった。
論文 参考訳(メタデータ) (2022-05-09T12:51:16Z) - HiSA-SMFM: Historical and Sentiment Analysis based Stock Market
Forecasting Model [3.6704226968275258]
本研究の目的は、企業の金融株の将来を精度良く予測することである。
感情分析の分野での既存の研究を分析した結果、株価の動きとニュース記事の発行との間には強い相関関係があることが判明した。
論文 参考訳(メタデータ) (2022-03-10T17:03:38Z) - 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) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳(メタデータ) (2021-12-08T14:55:21Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳(メタデータ) (2021-02-15T07:22:09Z) - Trader-Company Method: A Metaheuristic for Interpretable Stock Price
Prediction [3.9189409002585562]
金融市場では、機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。
本稿では,金融機関とトレーダーの役割を模倣する新たな進化モデルであるTrader-Company法を提案する。
トレーダーと呼ばれる複数の弱い学習者からの提案を集約し、将来の株式リターンを予測します。
論文 参考訳(メタデータ) (2020-12-18T13:19:27Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳(メタデータ) (2020-02-09T08:10:03Z)
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。