論文の概要: 1D-CapsNet-LSTM: A Deep Learning-Based Model for Multi-Step Stock Index Forecasting

• arxiv url: http://arxiv.org/abs/2310.02090v1
• Date: Tue, 3 Oct 2023 14:33:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 13:59:50.497920
• Title: 1D-CapsNet-LSTM: A Deep Learning-Based Model for Multi-Step Stock Index Forecasting
• Title（参考訳）: 1D-CapsNet-LSTM:マルチステップストックインデックス予測のためのディープラーニングベースモデル
• Authors: Cheng Zhang, Nilam Nur Amir Sjarif, Roslina Ibrahim
• Abstract要約: 株式市場の株価の多段階予測は金融セクターにとって重要な課題である。 本研究では,LSTMを用いた予測モデルにおいて,カプセルネットワーク(CapsNet)を高度な特徴抽出器として利用することを検討した。 提案手法は,いくつかの実物市場指標に基づいて評価された。
• 参考スコア（独自算出の注目度）: 6.05458608266581
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-step forecasting of stock market index prices is a crucial task in the financial sector, playing a pivotal role in decision-making across various financial activities. However, forecasting results are often unsatisfactory owing to the stochastic and volatile nature of the data. Researchers have made various attempts, and this process is ongoing. Inspired by convolutional neural network long short-term memory (CNN-LSTM) networks that utilize a 1D CNN for feature extraction to boost model performance, this study explores the use of a capsule network (CapsNet) as an advanced feature extractor in an LSTM-based forecasting model to enhance multi-step predictions. To this end, a novel neural architecture called 1D-CapsNet-LSTM was introduced, which combines a 1D CapsNet to extract high-level features from 1D sequential data and an LSTM layer to capture the temporal dependencies between the previously extracted features and uses a multi-input multi-output (MIMO) strategy to maintain the stochastic dependencies between the predicted values at different time steps. The proposed model was evaluated based on several real-world stock market indices, including Standard & Poor's 500 (S&P 500), Dow Jones Industrial Average (DJIA), Nasdaq Composite Index (IXIC), and New York Stock Exchange (NYSE), and was compared with baseline models such as LSTM, recurrent neural network (RNN), and CNN-LSTM in terms of various evaluation metrics. The comparison results suggest that the 1D-CapsNet-LSTM model outperforms the baseline models and has immense potential for the effective handling of complex prediction tasks.
• Abstract（参考訳）: 株価指数の多段階予測は金融セクターにおいて重要な課題であり、様々な金融活動における意思決定において重要な役割を担っている。 しかし、データの確率的かつ揮発的性質のため、予測結果が満足できないことが多い。 研究者は様々な試みを行っており、このプロセスは進行中である。 モデル性能を向上させるために1次元CNNを用いた畳み込みニューラルネットワーク長寿命メモリ(CNN-LSTM)ネットワークにインスパイアされた本研究では、LSTMに基づく予測モデルにおいて、カプセルネットワーク(CapsNet)を高度な特徴抽出器として活用し、マルチステップ予測を強化することを検討する。 この目的のために、1D-CapsNet-LSTMと呼ばれる新しいニューラルネットワークが導入された。これは、1D CapsNetが1Dシーケンシャルデータから高レベルな特徴を抽出し、LSTM層が以前抽出した特徴間の時間的依存関係をキャプチャし、予測された値間の確率的依存関係を異なる時間ステップで維持するマルチインプットマルチアウトプット(MIMO)戦略を使用する。 提案モデルは,Standard & Poor's 500 (S&P 500), Dow Jones Industrial Average (DJIA), Nasdaq Composite Index (IXIC), New York Stock Exchange (NYSE) などの実世界の株価指標に基づいて評価され,様々な評価指標を用いてLSTM, Recurrent Neural Network (RNN), CNN-LSTMといったベースラインモデルと比較された。 比較結果は,1D-CapsNet-LSTMモデルがベースラインモデルより優れ,複雑な予測タスクを効果的に扱える可能性が示唆された。

関連論文リスト

• Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting [2.1233286062376497]
  変動モード分解(VMD)は、データを異なるモードに分解することでボラティリティを緩和する有望な手法として登場した。 本研究では,線形モデルとVMDを統合し,ロバストな予測フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-08-28T20:22:09Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Long Short-Term Memory Neural Network for Financial Time Series [0.0]
  株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。 ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
  論文  参考訳（メタデータ） (2022-01-20T15:17:26Z)
• ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural Network Model for Short-Term Load Forecasting [1.4502611532302039]
  複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である 本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。 指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
  論文  参考訳（メタデータ） (2021-12-05T19:38:42Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions [0.0]
  本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。 Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
  論文  参考訳（メタデータ） (2020-08-08T08:42:46Z)
• 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)
• Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
  我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。 トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。 また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
  論文  参考訳（メタデータ） (2020-05-24T00:17:15Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。