論文の概要: Predicting Stock Market Time-Series Data using CNN-LSTM Neural Network
Model
- arxiv url: http://arxiv.org/abs/2305.14378v1
- Date: Sun, 21 May 2023 08:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 00:33:34.646854
- Title: Predicting Stock Market Time-Series Data using CNN-LSTM Neural Network
Model
- Title（参考訳）: CNN-LSTMニューラルネットワークモデルによる株式市場時系列データの予測
- Authors: Aadhitya A, Rajapriya R, Vineetha R S, Anurag M Bagde
- Abstract要約: 企業の株式市場のパフォーマンスを予測することは、企業の株価が変化し続けるたびに常に一定ではないため、ほとんど難しい。
データのパターンと特徴を追跡するために、CNN-LSTM Neural Networkを作成できる。
CNN-LSTM NNモデルの精度は,リアルタイムの株式市場データによるトレーニングが許された場合でも高いことがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stock market is often important as it represents the ownership claims on
businesses. Without sufficient stocks, a company cannot perform well in
finance. Predicting a stock market performance of a company is nearly hard
because every time the prices of a company stock keeps changing and not
constant. So, its complex to determine the stock data. But if the previous
performance of a company in stock market is known, then we can track the data
and provide predictions to stockholders in order to wisely take decisions on
handling the stocks to a company. To handle this, many machine learning models
have been invented but they didn't succeed due to many reasons like absence of
advanced libraries, inaccuracy of model when made to train with real time data
and much more. So, to track the patterns and the features of data, a CNN-LSTM
Neural Network can be made. Recently, CNN is now used in Natural Language
Processing (NLP) based applications, so by identifying the features from stock
data and converting them into tensors, we can obtain the features and then send
it to LSTM neural network to find the patterns and thereby predicting the stock
market for given period of time. The accuracy of the CNN-LSTM NN model is found
to be high even when allowed to train on real-time stock market data. This
paper describes about the features of the custom CNN-LSTM model, experiments we
made with the model (like training with stock market datasets, performance
comparison with other models) and the end product we obtained at final stage.
- Abstract（参考訳）: 株式市場は企業における所有権の主張を表すため、しばしば重要である。
十分な株式がなければ、企業は財務面ではうまく機能しない。
企業の株式市場のパフォーマンスを予測することは、企業の株価が変化し続けるたびに常に一定ではないため、ほとんど難しい。
つまり、株価データを決定するのは複雑だ。
しかし、もし株式市場における企業のこれまでの業績が分かっているなら、データを追跡し、株主に予測を提供することで、会社への株式の取扱いの決定を賢明に行うことができる。
これを扱うために、多くの機械学習モデルが発明されたが、高度なライブラリの欠如、リアルタイムデータでトレーニングする際のモデルの正確さなど、多くの理由で成功しなかった。
したがって、データパターンと特徴を追跡するために、CNN-LSTM Neural Networkを作成することができる。
近年、CNNは自然言語処理(NLP)ベースのアプリケーションで使われているため、ストックデータから特徴を特定してテンソルに変換することで、その特徴を取得し、LSTMニューラルネットワークに送信してパターンを見つけ、その結果、所定の期間の株式市場を予測することができる。
CNN-LSTM NNモデルの精度は、リアルタイムの株式市場データのトレーニングが許された場合でも高い。
本稿では,CNN-LSTMモデルの特徴,そのモデルを用いた実験(株式市場データセットを用いたトレーニング,他のモデルとの比較など),最終段階で得られた最終製品について述べる。
関連論文リスト
- ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
論文 参考訳（メタデータ） (2023-12-02T03:55:37Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - FinBERT-LSTM: Deep Learning based stock price prediction using News
Sentiment Analysis [0.0]
市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。
私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
論文 参考訳（メタデータ） (2022-11-11T15:13:16Z) - 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) - 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) - Tensor train decompositions on recurrent networks [60.334946204107446]
マトリックス製品状態(MPS)テンソルトレインは、ストレージの削減と推論時の計算時間の観点から、MPOよりも魅力的な特徴を持つ。
理論解析により,MPSテンソル列車はLSTMネットワーク圧縮の最前線に置かれるべきであることを示す。
論文 参考訳（メタデータ） (2020-06-09T18:25:39Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - 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。