論文の概要: Adaptive Hybrid Model for Enhanced Stock Market Predictions Using
Improved VMD and Stacked Informer
- arxiv url: http://arxiv.org/abs/2310.01884v1
- Date: Tue, 3 Oct 2023 08:37:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 16:54:58.627564
- Title: Adaptive Hybrid Model for Enhanced Stock Market Predictions Using
Improved VMD and Stacked Informer
- Title(参考訳): 改良VMDとスタックインフォーマを用いた株価予測のための適応ハイブリッドモデル
- Authors: Jianan Zhang and Hongyi Duan
- Abstract要約: 本稿では,適応損失関数と統合された拡張変分モード分解(VMD),特徴工学(FE),および積み重ねインフォーマの機能を活用した,市場予測のための革新的適応型ハイブリッドモデルを提案する。
複数のベンチマークデータセットから得られた実験結果は、従来のハイブリッドモデルよりも予測精度、応答性、一般化能力の点でモデルの優位性を強調している。
この研究は、最適化のための潜在的な道のりをさらに強調し、特に中小企業や機能工学において予測モデリングを強化するための今後の方向性を紹介している。
- 参考スコア(独自算出の注目度): 1.0080317855851213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces an innovative adaptive hybrid model for stock market
predictions, leveraging the capabilities of an enhanced Variational Mode
Decomposition (VMD), Feature Engineering (FE), and stacked Informer integrated
with an adaptive loss function. Through rigorous experimentation, the proposed
model, termed Adam+GC+enhanced informer (We name it VMGCformer), demonstrates
significant proficiency in addressing the intricate dynamics and volatile
nature of stock market data. Experimental results, derived from multiple
benchmark datasets, underscore the model's superiority in terms of prediction
accuracy, responsiveness, and generalization capabilities over traditional and
other hybrid models. The research further highlights potential avenues for
optimization and introduces future directions to enhance predictive modeling,
especially for small enterprises and feature engineering.
- Abstract(参考訳): 本稿では,適応損失関数と統合された拡張変分モード分解(VMD),特徴工学(FE),および積み重ねインフォーマの機能を活用した,市場予測のための革新的適応型ハイブリッドモデルを提案する。
厳密な実験を通じて、提案したモデルはAdam+GC+enhanced informer(我々はVMGCformerと名づける)と呼ばれ、株式市場データの複雑なダイナミクスと揮発性の性質に対処する能力を示す。
複数のベンチマークデータセットから得られた実験結果は、従来のハイブリッドモデルよりも予測精度、応答性、一般化能力の点でモデルの優位性を強調している。
この研究は最適化の潜在的な道筋をさらに強調し、特に中小企業や機能工学にとって予測モデリングを強化するための今後の方向性を紹介している。
関連論文リスト
- Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Differential Evolution Algorithm based Hyper-Parameters Selection of
Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。
我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文 参考訳(メタデータ) (2023-07-28T04:29:53Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-10-07T02:12:34Z) - Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs [0.0]
本稿では,GARCHプロセスとニューラルネットワークを混合したハイブリッドモデルによるアセットリターンの共分散行列の予測能力について検討する。
提案された新しいモデルは、均等に重み付けされたポートフォリオを上回るだけでなく、エコノメトリとかなり差があるため、非常に有望である。
論文 参考訳(メタデータ) (2021-08-25T23:41:43Z) - 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) - Cross-Modal Generative Augmentation for Visual Question Answering [34.9601948665926]
本稿では,複数のモダリティ間の相関を利用したデータ拡張生成モデルを提案する。
提案したモデルは,生成確率によって拡張データの信頼度を定量化し,下流パイプラインと共同して更新することができる。
論文 参考訳(メタデータ) (2021-05-11T04:51:26Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳(メタデータ) (2021-01-06T17:36:26Z) - Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。
G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。
分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
論文 参考訳(メタデータ) (2020-04-24T06:12:10Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳(メタデータ) (2020-03-30T13:06:25Z)
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。