Fugu-MT 論文翻訳(概要): Stock and market index prediction using Informer network

論文の概要: Stock and market index prediction using Informer network

arxiv url: http://arxiv.org/abs/2305.14382v1
Date: Mon, 22 May 2023 10:59:42 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 00:34:53.370360
Title: Stock and market index prediction using Informer network
Title（参考訳）: インフォーマーネットワークを用いた株価・市場指数予測
Authors: Yuze Lu, Hailong Zhang, Qiwen Guo
Abstract要約: Informerはより新しいネットワークであり、Transformerで改善され、計算の複雑さが小さく、予測長が長く、タイムスタンプがグローバルになった。 InformerとLSTM, Transformer, BERTを1分5分で比較するための3つの実験を設計した。 Informerは、市場予測における堅牢性とパフォーマンスが向上し、実際のトレーディングに正確に適合する。
参考スコア（独自算出の注目度）: 2.522380139099644
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Applications of deep learning in financial market prediction has attracted huge attention from investors and researchers. In particular, intra-day prediction at the minute scale, the dramatically fluctuating volume and stock prices within short time periods have posed a great challenge for the convergence of networks result. Informer is a more novel network, improved on Transformer with smaller computational complexity, longer prediction length and global time stamp features. We have designed three experiments to compare Informer with the commonly used networks LSTM, Transformer and BERT on 1-minute and 5-minute frequencies for four different stocks/ market indices. The prediction results are measured by three evaluation criteria: MAE, RMSE and MAPE. Informer has obtained best performance among all the networks on every dataset. Network without the global time stamp mechanism has significantly lower prediction effect compared to the complete Informer; it is evident that this mechanism grants the time series to the characteristics and substantially improves the prediction accuracy of the networks. Finally, transfer learning capability experiment is conducted, Informer also achieves a good performance. Informer has good robustness and improved performance in market prediction, which can be exactly adapted to real trading.
Abstract（参考訳）: 金融市場の予測におけるディープラーニングの応用は、投資家や研究者から大きな注目を集めている。特に、小スケールでの日内予測、短時間で劇的に変動するボリュームと株価は、ネットワーク結果の収束に大きな課題をもたらしている。 informerはより新しいネットワークで、計算の複雑さが小さくなり、予測期間が長く、グローバルタイムスタンプ機能が改善された。我々は,informer と一般的なネットワーク lstm,transformer,bert を比較した3つの実験を行った。予測結果はmae,rmse,mapeの3つの評価基準で測定される。 informerはすべてのデータセット上のすべてのネットワークで最高のパフォーマンスを得た。グローバルなタイムスタンプ機構を持たないネットワークは,完全インフォーマに比べて予測効果が著しく低く,その特性に時系列を付与し,ネットワークの予測精度を大幅に向上させることは明らかである。最後に、転送学習能力実験を行い、インフォメータも優れた性能を達成する。 Informerは、市場予測における堅牢性とパフォーマンスが向上し、実際のトレーディングに正確に適合する。

関連論文リスト

Indian Stock Market Prediction using Augmented Financial Intelligence ML [0.0]
本稿では,Superforecasters予測を付加した機械学習アルゴリズムを用いた価格予測モデルを提案する。これらのモデルは平均絶対誤差を用いて予測精度を決定する。主な目標は、予測不可能な変化や株価の変化を予想するスーパープレキャストの特定と予測の追跡である。
論文参考訳（メタデータ） (2024-07-02T12:58:50Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Support for Stock Trend Prediction Using Transformers and Sentiment Analysis [3.147603836269998]
技術ストックデータと感情分析を用いて、長時間のウィンドウ上で正確なストックトレンド予測を行うトランスフォーマーモデルを開発した。本稿では,日次技術ストックデータと,約3年にわたるトップニュース見出しデータを含む新しいデータセットについても紹介する。
論文参考訳（メタデータ） (2023-05-18T03:26:39Z)
Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms [3.2732602885346576]
この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。 XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
論文参考訳（メタデータ） (2023-05-17T07:04:32Z)
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)
Real-time Forecasting of Time Series in Financial Markets Using Sequentially Trained Many-to-one LSTMs [0.304585143845864]
2つのLSTMをトレーニングし、例えば、以前のデータのT$タイムステップをトレーニングし、1回だけ前に進むことを予測します。 1つのLSTMは最適なエポック数を見つけるために使用されるが、第2のLSTMは予測するエポック数だけを訓練する。我々は、現在の予測を次の予測のためのトレーニングセットとして扱い、同じLSTMを訓練する。
論文参考訳（メタデータ） (2022-05-10T05:18:45Z)
Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文参考訳（メタデータ） (2022-04-16T12:03:52Z)
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)
Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文参考訳（メタデータ） (2021-09-30T19:19:09Z)
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)
ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2020-03-07T02:12:02Z)

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。