論文の概要: Deep learning techniques for financial time series forecasting: A review
of recent advancements: 2020-2022
- arxiv url: http://arxiv.org/abs/2305.04811v1
- Date: Fri, 21 Apr 2023 03:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-14 21:07:52.521124
- Title: Deep learning techniques for financial time series forecasting: A review
of recent advancements: 2020-2022
- Title（参考訳）: 金融時系列予測のためのディープラーニング技術:最近の進歩を振り返る:2020-2022
- Authors: Cheng Zhang, Nilam Nur Amir Sjarif, Roslina Binti Ibrahim
- Abstract要約: 本稿では、金融時系列に基づく価格予測に使用されるディープラーニングモデルに関する最近の研究を包括的に評価する。
私たちの目標は、関心のある研究者がこの分野の最近の発展を最新に保つことです。
- 参考スコア（独自算出の注目度）: 6.574894008618416
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Forecasting financial time series has long been a challenging problem that
has attracted attention from both researchers and practitioners. Statistical
and machine learning techniques have both been explored to develop effective
forecasting models in the past few decades. With recent developments in deep
learning models, financial time series forecasting models have advanced
significantly, and these developments are often difficult to keep up with.
Hence, we have conducted this literature review to provide a comprehensive
assessment of recent research from 2020 to 2022 on deep learning models used to
predict prices based on financial time series. Our review presents different
data sources and neural network structures, as well as their implementation
details. Our goals are to ensure that interested researchers remain up-to-date
on recent developments in the field and facilitate the selection of baselines
based on models used in prior studies. Additionally, we provide suggestions for
future research based on the content in this review.
- Abstract（参考訳）: 金融時系列の予測は長い間困難な問題であり、研究者と実践者の両方から注目を集めてきた。
統計と機械学習の技術はいずれも、過去数十年で効果的な予測モデルを開発するために研究されてきた。
近年のディープラーニングモデルの発展により、金融時系列予測モデルは大きく進歩し、これらの発展に追随することがしばしば困難になっている。
そこで本研究では,金融時系列に基づく価格予測に用いるディープラーニングモデルについて,2020年から2022年までの最近の研究を総合的に評価するために,文献レビューを行った。
本稿では,様々なデータソースとニューラルネットワーク構造と実装の詳細について述べる。
我々の目標は、関心のある研究者がこの分野の最近の発展を最新に保ち、先行研究で使用されるモデルに基づいたベースラインの選択を容易にすることである。
また,本レビューの内容に基づく今後の研究について提案する。
関連論文リスト
- A Survey of Deep Learning and Foundation Models for Time Series
Forecasting [16.814826712022324]
ディープラーニングは多くのアプリケーションドメインにうまく適用されているが、その利点は時系列予測に現れるのが遅かった。
広範な事前学習を伴う基礎モデルにより、モデルはパターンを理解し、新しい関連する問題に適用可能な知識を得ることができる。
このような知識を深層学習モデルに活用または注入する方法について研究が進行中である。
論文 参考訳（メタデータ） (2024-01-25T03:14:07Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - A Stochastic Time Series Model for Predicting Financial Trends using NLP [4.081440927534578]
近年のディープニューラルネットワーク技術の進歩により、研究者は金融トレンドを予測するための高精度なモデルを開発することができる。
本稿では,ST-GAN (Time-Series Generative Adversarial Network) と呼ばれる新しいディープラーニングモデルを提案する。
我々は、GAN(Generative Adversarial Network)のような最先端技術を用いて、テキストデータと数値データの相関関係を時間とともに学習する。
論文 参考訳（メタデータ） (2021-02-02T04:03:01Z) - Do we need to go Deep? Knowledge Tracing with Big Data [5.218882272051637]
教育分野で公開されている最大の学生インタラクションデータセットであるEdNetを使用して、深層モデルと従来のモデルの両方が将来の学生のパフォーマンスを正確に予測する方法を理解しています。
我々の研究は、慎重に設計された特徴を持つロジスティック回帰モデルが広範な実験から深いモデルよりも優れていることを観察する。
論文 参考訳（メタデータ） (2021-01-20T22:40:38Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳（メタデータ） (2020-10-26T16:00:47Z) - A Time Series Analysis-Based Stock Price Prediction Using Machine
Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。
当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。
統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文 参考訳（メタデータ） (2020-04-17T19:41:22Z)
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。