論文の概要: A Novel Decision Ensemble Framework: Customized Attention-BiLSTM and
XGBoost for Speculative Stock Price Forecasting
- arxiv url: http://arxiv.org/abs/2401.11621v1
- Date: Fri, 5 Jan 2024 17:13:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 15:58:28.174075
- Title: A Novel Decision Ensemble Framework: Customized Attention-BiLSTM and
XGBoost for Speculative Stock Price Forecasting
- Title（参考訳）: 新しい意思決定アンサンブルフレームワーク:投機的株価予測のためのカスタムアテンションBiLSTMとXGBoost
- Authors: Riaz Ud Din, Salman Ahmed, Saddam Hussain Khan
- Abstract要約: 本稿では、投機的株式Bitcoin-USD(BTC-USD)の日替価格を予測するための新しいフレームワーク、CAB-XDEを提案する。
CAB-XDEフレームワークは、カスタマイズされた双方向長短期メモリ(BiLSTM)とアテンション機構とXGBoostアルゴリズムを統合している。
提案されたCAB-XDEフレームワークは、Yahoo Financeから供給された不安定なBitcoin市場で実証的に検証されている。
- 参考スコア（独自算出の注目度）: 2.011511123338945
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Forecasting speculative stock prices is essential for effective investment
risk management that drives the need for the development of innovative
algorithms. However, the speculative nature, volatility, and complex sequential
dependencies within financial markets present inherent challenges which
necessitate advanced techniques. This paper proposes a novel framework, CAB-XDE
(customized attention BiLSTM-XGB decision ensemble), for predicting the daily
closing price of speculative stock Bitcoin-USD (BTC-USD). CAB-XDE framework
integrates a customized bi-directional long short-term memory (BiLSTM) with the
attention mechanism and the XGBoost algorithm. The customized BiLSTM leverages
its learning capabilities to capture the complex sequential dependencies and
speculative market trends. Additionally, the new attention mechanism
dynamically assigns weights to influential features, thereby enhancing
interpretability, and optimizing effective cost measures and volatility
forecasting. Moreover, XGBoost handles nonlinear relationships and contributes
to the proposed CAB-XDE framework robustness. Additionally, the weight
determination theory-error reciprocal method further refines predictions. This
refinement is achieved by iteratively adjusting model weights. It is based on
discrepancies between theoretical expectations and actual errors in individual
customized attention BiLSTM and XGBoost models to enhance performance. Finally,
the predictions from both XGBoost and customized attention BiLSTM models are
concatenated to achieve diverse prediction space and are provided to the
ensemble classifier to enhance the generalization capabilities of CAB-XDE. The
proposed CAB-XDE framework is empirically validated on volatile Bitcoin market,
sourced from Yahoo Finance and outperforms state-of-the-art models with a MAPE
of 0.0037, MAE of 84.40, and RMSE of 106.14.
- Abstract（参考訳）: 投機的株価の予測は、革新的なアルゴリズムの開発を促進する効果的な投資リスク管理に不可欠である。
しかし、投機的性質、ボラティリティ、金融市場における複雑なシーケンシャルな依存関係には、高度な技術を必要とする固有の課題がある。
本稿では、投機的株式Bitcoin-USD(BTC-USD)の日替わり価格を予測するための新しいフレームワークであるCAB-XDE(customized attention BiLSTM-XGB decision ensemble)を提案する。
CAB-XDEフレームワークは、カスタマイズされた双方向長短期メモリ(BiLSTM)とアテンション機構とXGBoostアルゴリズムを統合する。
カスタマイズされたBiLSTMはその学習機能を活用して、複雑なシーケンシャルな依存関係と投機的な市場トレンドをキャプチャする。
また、新しい注意機構は、影響のある特徴に重みを動的に割り当て、解釈性を高め、効果的なコスト対策とボラティリティ予測を最適化する。
さらに、XGBoostは非線形関係を扱い、提案したCAB-XDEフレームワークの堅牢性に寄与する。
さらに、重み判定理論-誤差相反法は予測をさらに洗練する。
この改良はモデル重みを反復的に調整することで達成される。
性能を向上させるために、理論的な期待値と個別にカスタマイズされた注意点における実際の誤差の相違に基づく。
最後に、xgboostおよびカスタマイズされたアテンションbilstmモデルからの予測を連結して多様な予測空間を達成し、cab-xdeの一般化能力を高めるためにアンサンブル分類器に提供される。
提案されたCAB-XDEフレームワークは、Yahoo Financeから供給された不安定なBitcoin市場で実証的に検証され、MAPEが0.0037、MAEが84.40、RMSEが106.14で、最先端のモデルを上回っている。
関連論文リスト
- Blending Ensemble for Classification with Genetic-algorithm generated Alpha factors and Sentiments (GAS) [0.0]
本稿では,Bitcoin市場の動向を予測するために特別に設計された,革新的な遺伝的アルゴリズム生成型アルファセンチメント(GAS)ブレンディングアンサンブルモデルを紹介する。
このモデルは、高度なアンサンブル学習法、特徴選択アルゴリズム、奥行きの感情分析を統合している。
実験の結果,GASモデルは日々のBitcoinトレンド予測において競争力を発揮することが示された。
論文 参考訳（メタデータ） (2024-11-05T12:15:01Z) - Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer [1.9635048365486127]
本研究では、変分モード分解(VMD)、PatchTST、適応スケール重み付け層(ASWL)を統合した新しい複合予測フレームワークを提案する。
VMD-PatchTST-ASWLフレームワークは従来のモデルに比べて予測精度が大幅に向上している。
この革新的なアプローチは、さまざまな財務分析や投資決定の文脈における潜在的な応用を含む、株価指数の価格予測のための強力なツールを提供する。
論文 参考訳（メタデータ） (2024-08-29T17:00:47Z) - 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) - Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。
この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。
LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
論文 参考訳（メタデータ） (2023-12-09T07:53:25Z) - 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) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。
このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。
その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
論文 参考訳（メタデータ） (2022-04-06T07:06:30Z) - 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) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - 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) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z)
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。