論文の概要: An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting

• arxiv url: http://arxiv.org/abs/2404.07969v1
• Date: Mon, 25 Mar 2024 15:23:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-14 13:03:36.074621
• Title: An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting
• Title（参考訳）: ストックフォアキャスティングのための新しい位置決め機構と改良されたEMDによるエンドツーエンド構造
• Authors: Chufeng Li, Jianyong Chen,
• Abstract要約: 既存の研究は主に個々の株式情報に焦点を当てているが、株価情報や株価データの高ノイズを無視している。 本稿では,株式情報と個別株式情報の両方を考慮に入れた注目機構を用いた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7044651160538948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a branch of time series forecasting, stock movement forecasting is one of the challenging problems for investors and researchers. Since Transformer was introduced to analyze financial data, many researchers have dedicated themselves to forecasting stock movement using Transformer or attention mechanisms. However, existing research mostly focuses on individual stock information but ignores stock market information and high noise in stock data. In this paper, we propose a novel method using the attention mechanism in which both stock market information and individual stock information are considered. Meanwhile, we propose a novel EMD-based algorithm for reducing short-term noise in stock data. Two randomly selected exchange-traded funds (ETFs) spanning over ten years from US stock markets are used to demonstrate the superior performance of the proposed attention-based method. The experimental analysis demonstrates that the proposed attention-based method significantly outperforms other state-of-the-art baselines. Code is available at https://github.com/DurandalLee/ACEFormer.
• Abstract（参考訳）: 時系列予測の分野として、株価の動き予測は投資家や研究者にとって難しい問題の一つだ。 Transformerは金融データを分析するために導入されて以来、多くの研究者がTransformerやアテンションメカニズムを使ったストックムーブメントの予測に力を入れてきた。 しかし、既存の研究は主に個々の株式情報に焦点を当てているが、株価情報や株価データの高ノイズを無視している。 本稿では,株式情報と個別株式情報の両方を考慮に入れた注目機構を用いた新しい手法を提案する。 一方,ストックデータの短期ノイズを低減するための新しいEMDベースのアルゴリズムを提案する。 米国株式市場から10年以上にわたって、ランダムに選択された2つの為替取引ファンド(ETF)を用いて、提案手法の優れた性能を実証する。 実験により,提案手法が他の最先端のベースラインを著しく上回ることを示す。 コードはhttps://github.com/DurandalLee/ACEFormer.comで入手できる。

関連論文リスト

• AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
  本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。 本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。 提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-30T15:06:57Z)
• Enhancing Few-Shot Stock Trend Prediction with Large Language Models [9.439423168290011]
  既存の手法は主に、広範囲な注釈付きデータに基づいてトレーニングされた教師付きモデルによる株価トレンドの予測に重点を置いている。 本稿では,ラベル付きデータの不足を克服するために,Large Language Models (LLM) を数ショットで使用することを提案する。 S&P500は66.59%、CSI-100は62.17%、HK株価予測は61.17%である。
  論文  参考訳（メタデータ） (2024-07-12T05:43:11Z)
• ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock Movement and Volatility Prediction [20.574163667057476]
  我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。 我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。 市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-28T13:31:39Z)
• American Option Pricing using Self-Attention GRU and Shapley Value Interpretation [0.0]
  本稿では,ゲートリカレントユニット(GRU)と自己認識機構に基づいて,SPY(ETF)オプションの価格を予測する機械学習手法を提案する。 我々は、多層パーセプトロン(MLP)、長期記憶(LSTM)、自己注意型LSTM、自己注意型GRUの4つの異なる機械学習モデルを構築した。
  論文  参考訳（メタデータ） (2023-10-19T06:05:46Z)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• 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)
• 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)
• Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data [0.0]
  ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。 このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。 精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T21:57:18Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• 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。