論文の概要: Evolution of Neural Architectures for Financial Forecasting: A Note on Data Incompatibility during Crisis Periods

• arxiv url: http://arxiv.org/abs/2311.14604v1
• Date: Fri, 24 Nov 2023 16:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 14:20:28.500612
• Title: Evolution of Neural Architectures for Financial Forecasting: A Note on Data Incompatibility during Crisis Periods
• Title（参考訳）: 金融予測のためのニューラルアーキテクチャの進化:危機期のデータ不適合性について
• Authors: Faizal Hafiz and Jan Broekaert and Akshya Swain
• Abstract要約: 本研究は,危機前の市場動態から得られたトレーニングデータが危機期のデータと相容れないかを検討することを目的とする。 2つの異なる学習環境は、おそらく異なる市場のダイナミクスの効果を評価し、調整するために設計されている。 危機前データ不整合性の仮説を検証するため,NASDAQ指数の日頭移動予測は,最近の2つの大市場混乱の間に検討される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This note focuses on the optimization of neural architectures for stock index movement forecasting following a major market disruption or crisis. Given that such crises may introduce a shift in market dynamics, this study aims to investigate whether the training data from market dynamics prior to the crisis are compatible with the data during the crisis period. To this end, two distinct learning environments are designed to evaluate and reconcile the effects of possibly different market dynamics. These environments differ principally based on the role assigned to the pre-crisis data. In both environments, a set of non-dominated architectures are identified to satisfy the multi-criteria co-evolution problem, which simultaneously addresses the selection issues related to features and hidden layer topology. To test the hypothesis of pre-crisis data incompatibility, the day-ahead movement prediction of the NASDAQ index is considered during two recent and major market disruptions; the 2008 financial crisis and the COVID-19 pandemic. The results of a detailed comparative evaluation convincingly support the incompatibility hypothesis and highlight the need to select re-training windows carefully.
• Abstract（参考訳）: このノートは、市場破壊や危機後の株価指数の動き予測のためのニューラルネットワークの最適化に焦点を当てている。 このような危機が市場ダイナミクスの変化をもたらす可能性があることを考慮し、危機前の市場ダイナミクスからのトレーニングデータが危機期のデータと互換性があるかどうかを検討することを目的とする。 この目的のために、2つの異なる学習環境は、おそらく異なる市場ダイナミクスの効果を評価し、調整するために設計されている。 これらの環境は主に、プリ危機データに割り当てられた役割に基づいて異なる。 どちらの環境においても、非支配的なアーキテクチャの集合は、特徴と隠れ層トポロジーに関する選択問題を同時に扱うマルチクリトリア共進化問題を満たすものとして識別される。 危機前データ不適合性の仮説を検証するため、NASDAQ指数の日頭移動予測は、2008年の金融危機と新型コロナウイルスのパンデミックという、2つの最近の主要な市場混乱の間に検討されている。 比較評価の結果,不適合仮説を説得力強く支持し,再訓練ウィンドウを慎重に選択する必要性を浮き彫りにした。

関連論文リスト

• 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)
• Modeling Systemic Risk: A Time-Varying Nonparametric Causal Inference Framework [27.025720728622897]
  時系列ネットワークにおける因果構造を推定するための非パラメトリック・時間変化指向情報グラフ(TV-DIG)フレームワークを提案する。 本枠組みは、金融ネットワーク内の主要資産・産業セクター間の相互接続性とシステム的リスクの進化を特定し、監視するものである。
  論文  参考訳（メタデータ） (2023-12-27T20:09:57Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Causal Analysis of Generic Time Series Data Applied for Market Prediction [0.0]
  本研究では,時間的変化(タグ付き)によるピアソン相関に基づく因果解析の適用性について検討した。 データは、リアルタイム取引やリミットオーダーブックのスナップショットなど、生の市場データから計算可能なさまざまな財務指標を含んでいる。
  論文  参考訳（メタデータ） (2022-04-22T05:54:53Z)
• 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)
• A Multi-criteria Approach to Evolve Sparse Neural Architectures for Stock Market Forecasting [0.0]
  本研究は, 市場指標の移動予測のための, 効率的かつ同相なニューラルアーキテクチャを進化させる新しい枠組みを提案する。 新しい探索パラダイムである2次元スワム (2DS) が, マルチ基準ニューラルアーキテクチャサーチのために提案されている。 本研究の結果は,提案手法がより優れた一般化能力を持つ同相ネットワークを進化させることができることを示すものである。
  論文  参考訳（メタデータ） (2021-11-15T19:44:10Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Combating Temporal Drift in Crisis with Adapted Embeddings [58.4558720264897]
  言語の使用は時間とともに変化し、NLPシステムの有効性に影響を与える可能性がある。 本研究は,危機時の言論変化に対応する方法を検討する。
  論文  参考訳（メタデータ） (2021-04-17T13:11:41Z)
• Bridging the gap between supervised classification and unsupervised topic modelling for social-media assisted crisis management [0.5249805590164902]
  Twitterなどのソーシャルメディアは、自然災害時に危機管理者や被災者に貴重な情報を提供します。 機械学習は、危機時に共有される大量のメッセージから情報を構造化および抽出するのに役立ちます。 bertembedsが危機関連ツイートの分類を微調整することで,新たな危機に効果的に対応できることを示す。
  論文  参考訳（メタデータ） (2021-03-22T13:30:39Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)
• Predictive intraday correlations in stable and volatile market environments: Evidence from deep learning [2.741266294612776]
  我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。 以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。 ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
  論文  参考訳（メタデータ） (2020-02-24T17:19:54Z)

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。