論文の概要: LOB-Based Deep Learning Models for Stock Price Trend Prediction: A
Benchmark Study
- arxiv url: http://arxiv.org/abs/2308.01915v2
- Date: Tue, 19 Sep 2023 20:52:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 18:33:45.881313
- Title: LOB-Based Deep Learning Models for Stock Price Trend Prediction: A
Benchmark Study
- Title(参考訳): 株価トレンド予測のためのLOBに基づくディープラーニングモデル:ベンチマーク研究
- Authors: Matteo Prata, Giuseppe Masi, Leonardo Berti, Viviana Arrigoni, Andrea
Coletta, Irene Cannistraci, Svitlana Vyetrenko, Paola Velardi, Novella
Bartolini
- Abstract要約: 我々は、データ前処理、DLモデルトレーニング、評価、利益分析を組み込んだオープンソースのフレームワークを開発する。
実験の結果,すべてのモデルが新たなデータに曝露した場合,大幅な性能低下を示し,実際の市場適用可能性に関する疑問が提起された。
- 参考スコア(独自算出の注目度): 4.714825039388054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent advancements in Deep Learning (DL) research have notably
influenced the finance sector. We examine the robustness and generalizability
of fifteen state-of-the-art DL models focusing on Stock Price Trend Prediction
(SPTP) based on Limit Order Book (LOB) data. To carry out this study, we
developed LOBCAST, an open-source framework that incorporates data
preprocessing, DL model training, evaluation and profit analysis. Our extensive
experiments reveal that all models exhibit a significant performance drop when
exposed to new data, thereby raising questions about their real-world market
applicability. Our work serves as a benchmark, illuminating the potential and
the limitations of current approaches and providing insight for innovative
solutions.
- Abstract(参考訳): 近年のディープラーニング(DL)研究の進展は金融セクターに顕著に影響を与えている。
制限順序帳(LOB)データに基づく株価予測(SPTP)に着目した15の最先端DLモデルの堅牢性と一般化性を検討した。
本研究では,データ前処理,DLモデルトレーニング,評価,利益分析を組み込んだオープンソースのフレームワークであるLOBCASTを開発した。
我々の大規模な実験では、すべてのモデルが新しいデータに晒されると大幅な性能低下を示し、それによって実際の市場適用性に関する疑問が提起される。
私たちの仕事はベンチマークとして機能し、現在のアプローチの可能性と限界を照らし出し、革新的なソリューションに対する洞察を提供します。
関連論文リスト
- Numerical Claim Detection in Finance: A New Financial Dataset,
Weak-Supervision Model, and Market Analysis [4.9524454709622585]
ファイナンシャルドメインにおけるクレーム検出タスクのための新たな財務データセットを構築した。
本稿では,対象物の専門家(SME)の知識を集約関数に組み込んだ,新たな弱スーパービジョンモデルを提案する。
我々は、新しい測度楽観主義を構築することによって、提案したモデルの実用性を実証する」。
論文 参考訳(メタデータ) (2024-02-18T22:55:26Z) - Continual Learning with Pre-Trained Models: A Survey [66.49084129482239]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2024-01-29T18:27:52Z) - One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。
本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。
2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
論文 参考訳(メタデータ) (2023-11-29T16:23:06Z) - Temporal Data Meets LLM -- Explainable Financial Time Series Forecasting [7.485041391778341]
我々はNASDAQ-100株に重点を置いており、公開アクセス可能な歴史的株価データ、企業のメタデータ、歴史的経済・金融ニュースを活用している。
我々は,Open-LLaMA などの公開 LLM を微調整した上で,説明可能な予測を生成するための命令を理解することができることを示す。
論文 参考訳(メタデータ) (2023-06-19T15:42:02Z) - Deep learning models for price forecasting of financial time series: A
review of recent advancements: 2020-2022 [6.05458608266581]
ディープラーニングモデルは、価格予測タスクのための従来の統計モデルと機械学習モデルを置き換えるものだ。
このレビューは、ディープラーニングに基づく予測モデルについて深く掘り下げ、モデルアーキテクチャ、実践的応用、およびそれぞれの利点と欠点に関する情報を提示する。
この貢献には、価格予測のための複雑な構造を持つディープラーニングモデルの有効性を検討するなど、将来の研究に向けた潜在的方向性も含まれている。
論文 参考訳(メタデータ) (2023-04-21T03:46:09Z) - Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。
本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
論文 参考訳(メタデータ) (2022-08-24T04:26:21Z) - 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) - A Deep Learning Framework for Predicting Digital Asset Price Movement
from Trade-by-trade Data [20.392440676633573]
本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。
このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。
現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
論文 参考訳(メタデータ) (2020-10-11T10:42:02Z) - Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。
具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。
実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文 参考訳(メタデータ) (2020-05-13T04:03:21Z) - Rethinking Generalization of Neural Models: A Named Entity Recognition
Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。
詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。
本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文 参考訳(メタデータ) (2020-01-12T04:33:53Z)
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。