論文の概要: ResNLS: An Improved Model for Stock Price Forecasting
- arxiv url: http://arxiv.org/abs/2312.01020v1
- Date: Sat, 2 Dec 2023 03:55:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 19:38:18.507874
- Title: ResNLS: An Improved Model for Stock Price Forecasting
- Title（参考訳）: ResNLS:株価予測モデルの改善
- Authors: Yuanzhe Jia, Ali Anaissi, Basem Suleiman
- Abstract要約: 隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
- 参考スコア（独自算出の注目度）: 1.2039469573641217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stock prices forecasting has always been a challenging task. Although many
research projects adopt machine learning and deep learning algorithms to
address the problem, few of them pay attention to the varying degrees of
dependencies between stock prices. In this paper we introduce a hybrid model
that improves stock price prediction by emphasizing the dependencies between
adjacent stock prices. The proposed model, ResNLS, is mainly composed of two
neural architectures, ResNet and LSTM. ResNet serves as a feature extractor to
identify dependencies between stock prices across time windows, while LSTM
analyses the initial time-series data with the combination of dependencies
which considered as residuals. In predicting the SSE Composite Index, our
experiment reveals that when the closing price data for the previous 5
consecutive trading days is used as the input, the performance of the model
(ResNLS-5) is optimal compared to those with other inputs. Furthermore,
ResNLS-5 outperforms vanilla CNN, RNN, LSTM, and BiLSTM models in terms of
prediction accuracy. It also demonstrates at least a 20% improvement over the
current state-of-the-art baselines. To verify whether ResNLS-5 can help clients
effectively avoid risks and earn profits in the stock market, we construct a
quantitative trading framework for back testing. The experimental results show
that the trading strategy based on predictions from ResNLS-5 can successfully
mitigate losses during declining stock prices and generate profits in the
periods of rising stock prices.
- Abstract（参考訳）: 株価の予測は常に困難な課題だった。
多くの研究プロジェクトは、この問題に対処するために機械学習とディープラーニングアルゴリズムを採用しているが、株価間の依存度に注意を払う人は少ない。
本稿では,隣接する株価間の依存関係を強調することで株価予測を改善するハイブリッドモデルを提案する。
提案するモデルであるResNLSは、主にResNetとLSTMの2つのニューラルアーキテクチャで構成されている。
ResNetは、時間ウィンドウ全体にわたる株価間の依存関係を特定する機能抽出器として機能し、LSTMは、残余と見なされる依存関係の組み合わせで最初の時系列データを解析する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)は他の入力と比較して最適であることがわかった。
さらに、予測精度の観点から、ResNLS-5はバニラCNN、RNN、LSTM、BiLSTMモデルより優れている。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
ResNLS-5がリスクを効果的に回避し、株式市場で利益を得るのに役立つかどうかを検証するため、バックテストのための定量的トレーディングフレームワークを構築した。
実験の結果,resnls-5の予測に基づく取引戦略は,株価下落時の損失を低減し,株価上昇時に利益を生み出すことができることがわかった。
関連論文リスト
- Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。
8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文 参考訳（メタデータ） (2024-06-02T06:39:01Z) - 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) - Revisiting Out-of-distribution Robustness in NLP: Benchmark, Analysis,
and LLMs Evaluations [111.88727295707454]
本稿では,NLP分野におけるアウト・オブ・ディストリビューション(OOD)のロバスト性に関する研究を再検討する。
本稿では, 明確な分化と分散の困難さを保証するための, ベンチマーク構築プロトコルを提案する。
我々は,OODロバスト性の分析と評価のための事前学習言語モデルの実験を行った。
論文 参考訳（メタデータ） (2023-06-07T17:47:03Z) - 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) - Stock Price Prediction Using Temporal Graph Model with Value Chain Data [3.1641827542160805]
本稿では,Long Short-Term Memory Graph Convolutional Neural Network (LSTM-GCN)モデルを提案する。
本実験により,LSTM-GCNモデルでは,価格データに完全に反映されていないバリューチェーンデータから付加的な情報を取得することができることが示された。
論文 参考訳（メタデータ） (2023-03-07T17:24:04Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - 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) - Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep
Learning Models [0.0]
本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。
我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
論文 参考訳（メタデータ） (2020-11-07T16:07:10Z) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-29T22:54:30Z) - 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)
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。