Fugu-MT 論文翻訳(概要): DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models

論文の概要: DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models

arxiv url: http://arxiv.org/abs/2403.14063v1
Date: Thu, 21 Mar 2024 01:20:32 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 15:46:42.803160
Title: DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models
Title（参考訳）: DiffSTOCK:拡散モデルを用いた確率的リレーショナルストックマーケット予測
Authors: Divyanshu Daiya, Monika Yadav, Harshit Singh Rao,
Abstract要約: 我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
参考スコア（独自算出の注目度）: 1.9662978733004601
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, we propose an approach to generalize denoising diffusion probabilistic models for stock market predictions and portfolio management. Present works have demonstrated the efficacy of modeling interstock relations for market time-series forecasting and utilized Graph-based learning models for value prediction and portfolio management. Though convincing, these deterministic approaches still fall short of handling uncertainties i.e., due to the low signal-to-noise ratio of the financial data, it is quite challenging to learn effective deterministic models. Since the probabilistic methods have shown to effectively emulate higher uncertainties for time-series predictions. To this end, we showcase effective utilisation of Denoising Diffusion Probabilistic Models (DDPM), to develop an architecture for providing better market predictions conditioned on the historical financial indicators and inter-stock relations. Additionally, we also provide a novel deterministic architecture MaTCHS which uses Masked Relational Transformer(MRT) to exploit inter-stock relations along with historical stock features. We demonstrate that our model achieves SOTA performance for movement predication and Portfolio management.
Abstract（参考訳）: 本研究では,市場予測とポートフォリオ管理のための拡散確率モデルを一般化するアプローチを提案する。本研究は,市場時系列予測におけるストック間関係のモデル化の有効性を実証し,価値予測とポートフォリオ管理にグラフベースの学習モデルを用いた。しかし、これらの決定論的アプローチは、金融データの信号対雑音比が低いため、不確実性を扱うには依然として不足しているため、効果的な決定論的モデルを学ぶことは極めて困難である。確率論的手法は時系列予測において高い不確実性を効果的にエミュレートすることを示した。この目的のために、歴史的金融指標とストック間関係を前提としたより良い市場予測を提供するためのアーキテクチャを開発するために、DDPM(Denoising Diffusion Probabilistic Models)を効果的に活用することを紹介する。また,Masked Relational Transformer (MRT) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS も提供する。本モデルは,移動予測とポートフォリオ管理のためのSOTA性能を実現することを実証する。

関連論文リスト

GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文参考訳（メタデータ） (2024-09-30T23:53:54Z)
Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
論文参考訳（メタデータ） (2024-09-29T11:20:20Z)
Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文参考訳（メタデータ） (2024-08-13T04:53:31Z)
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)
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)
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)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
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)
Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文参考訳（メタデータ） (2020-11-24T19:52:38Z)
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
論文参考訳（メタデータ） (2020-05-04T10:21:20Z)
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。