論文の概要: Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach

• arxiv url: http://arxiv.org/abs/2308.04419v1
• Date: Mon, 7 Aug 2023 14:21:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 11:46:50.163770
• Title: Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach
• Title（参考訳）: 株式市場価格予測:lstmとシーケンシャル・セルフ・アテンション・ベースのハイブリッド・アプローチ
• Authors: Karan Pardeshi, Sukhpal Singh Gill, Ahmed M. Abdelmoniem
• Abstract要約: LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。 実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
• 参考スコア（独自算出の注目度）: 3.8154633976469086
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: One of the most enticing research areas is the stock market, and projecting stock prices may help investors profit by making the best decisions at the correct time. Deep learning strategies have emerged as a critical technique in the field of the financial market. The stock market is impacted due to two aspects, one is the geo-political, social and global events on the bases of which the price trends could be affected. Meanwhile, the second aspect purely focuses on historical price trends and seasonality, allowing us to forecast stock prices. In this paper, our aim is to focus on the second aspect and build a model that predicts future prices with minimal errors. In order to provide better prediction results of stock price, we propose a new model named Long Short-Term Memory (LSTM) with Sequential Self-Attention Mechanism (LSTM-SSAM). Finally, we conduct extensive experiments on the three stock datasets: SBIN, HDFCBANK, and BANKBARODA. The experimental results prove the effectiveness and feasibility of the proposed model compared to existing models. The experimental findings demonstrate that the root-mean-squared error (RMSE), and R-square (R2) evaluation indicators are giving the best results.
• Abstract（参考訳）: 最も興味深い研究分野の1つは株式市場であり、株価の予測は投資家が正しいタイミングで最善の決定を行うことで利益を上げるのに役立つかもしれない。 深層学習戦略は金融市場において重要な手法として現れてきた。 株式市場は2つの側面から影響を受けている。一つは地政学的、社会的、グローバルな出来事であり、価格動向に影響を及ぼす可能性がある。 一方、第2の側面は歴史的価格傾向と季節性にのみ焦点を合わせ、株価の予測を可能にしています。 本稿では,第2の側面に着目し,最小限の誤差で将来の価格を予測するモデルを構築することを目的とする。 株価の予測結果を改善するために,LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 最後に,SBIN,HDFCBANK,BANKBARODAの3つのデータセットについて広範な実験を行った。 実験により,既存モデルと比較して提案モデルの有効性と妥当性が示された。 実験の結果,根平均二乗誤差 (RMSE) とR-二乗評価指標 (R2) が最適であることがわかった。

関連論文リスト

• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning [0.0]
  この研究は、既存の株価予測手法に関する文献に基づいており、機械学習とディープラーニングアプローチへのシフトを強調している。 LSTMモデルでは、NSE、インドに上場している18のセクターで180銘柄の歴史的株価を用いて、将来の価格を予測する。 その結果,株価を正確に予測し,投資決定を下す上でLSTMモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-05-28T17:55:54Z)
• 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)
• 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)
• 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)
• Univariate and Multivariate LSTM Model for Short-Term Stock Market Prediction [1.6114012813668934]
  本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。 10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
  論文  参考訳（メタデータ） (2022-05-08T07:01:12Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
  株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。 本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
  論文  参考訳（メタデータ） (2021-06-17T17:15:02Z)
• Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model [1.2891210250935146]
  長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。 特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。 インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
  論文  参考訳（メタデータ） (2021-04-06T11:09:51Z)
• 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)

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。