Fugu-MT 論文翻訳(概要): Advancing Financial Risk Prediction Through Optimized LSTM Model Performance and Comparative Analysis

論文の概要: Advancing Financial Risk Prediction Through Optimized LSTM Model Performance and Comparative Analysis

arxiv url: http://arxiv.org/abs/2405.20603v1
Date: Fri, 31 May 2024 03:31:17 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 15:36:24.132552
Title: Advancing Financial Risk Prediction Through Optimized LSTM Model Performance and Comparative Analysis
Title（参考訳）: 最適化LSTMモデルの性能と比較分析による金融リスク予測の改善
Authors: Ke Xu, Yu Cheng, Shiqing Long, Junjie Guo, Jue Xiao, Mengfang Sun,
Abstract要約: 本稿では、金融リスク予測におけるLSTMモデルの適用と最適化に焦点を当てる。最適化LSTMモデルは、ランダムフォレスト、BPニューラルネットワーク、XGBoostと比較して、AUC指数において大きな利点を示す。
参考スコア（独自算出の注目度）: 12.575399233846092
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper focuses on the application and optimization of LSTM model in financial risk prediction. The study starts with an overview of the architecture and algorithm foundation of LSTM, and then details the model training process and hyperparameter tuning strategy, and adjusts network parameters through experiments to improve performance. Comparative experiments show that the optimized LSTM model shows significant advantages in AUC index compared with random forest, BP neural network and XGBoost, which verifies its efficiency and practicability in the field of financial risk prediction, especially its ability to deal with complex time series data, which lays a solid foundation for the application of the model in the actual production environment.
Abstract（参考訳）: 本稿では、金融リスク予測におけるLSTMモデルの適用と最適化に焦点を当てる。この研究は、LSTMのアーキテクチャとアルゴリズムの基礎の概要から始まり、モデルトレーニングプロセスとハイパーパラメータチューニング戦略を詳述し、実験を通してネットワークパラメータを調整し、性能を向上させる。比較実験により、最適化されたLSTMモデルは、ランダム森林、BPニューラルネットワーク、XGBoostと比較してAUC指数において大きな利点を示し、金融リスク予測分野におけるその効率性と実践性、特に実生産環境におけるモデルの適用の基礎となる複雑な時系列データを扱う能力を検証する。

関連論文リスト

DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2025-02-18T02:37:26Z)
Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文参考訳（メタデータ） (2025-02-16T23:13:55Z)
A Deep Learning Framework Integrating CNN and BiLSTM for Financial Systemic Risk Analysis and Prediction [17.6825558707504]
本研究では、畳み込みニューラルネットワーク(CNN)と双方向長短期記憶ネットワーク(BiLSTM)を組み合わせたディープラーニングモデルを提案する。このモデルはまずCNNを用いて金融市場の多次元特徴の局所パターンを抽出し、次にBiLSTMを通して時系列の双方向依存性をモデル化する。その結果,従来の単一モデルよりも精度,リコール,F1スコアの点で優れていることがわかった。
論文参考訳（メタデータ） (2025-02-07T07:57:11Z)
HMM-LSTM Fusion Model for Economic Forecasting [0.0]
本稿では,HMM(Hidden Markov Models)とLSTM(Long Short-Term Memory)ニューラルネットワークの経済予測への応用について検討する。この研究は、HMM由来の隠れ状態を統合し、LSTMモデリングのための追加機能として意味を持つ新しいアプローチを探求する。
論文参考訳（メタデータ） (2025-01-01T17:31:36Z)
Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
論文参考訳（メタデータ） (2024-11-30T10:56:30Z)
EUR/USD Exchange Rate Forecasting incorporating Text Mining Based on Pre-trained Language Models and Deep Learning Methods [0.0]
本研究では,深層学習,テキスト解析,粒子群最適化(PSO)を統合したEUR/USD交換レート予測の新しい手法を提案する。オンラインニュースや分析テキストを定性的データとして組み込むことにより,提案したPSO-LSTMモデルは従来のエコノメトリや機械学習モデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-11-12T05:28:52Z)
Optimization of Actuarial Neural Networks with Response Surface Methodology [0.0]
本研究では,CANNの性能を最適化するために因子設計および応答面法(RSM)を用いる。統計的に重要でないハイパーパラメーターを減らし,288から188に減らした。
論文参考訳（メタデータ） (2024-10-01T15:45:41Z)
Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-04T01:47:37Z)
Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-17T00:26:31Z)
On Effective Scheduling of Model-based Reinforcement Learning [53.027698625496015]
実データ比率を自動的にスケジュールするAutoMBPOというフレームワークを提案する。本稿ではまず,政策訓練における実データの役割を理論的に分析し,実際のデータの比率を徐々に高めれば,より優れた性能が得られることを示唆する。
論文参考訳（メタデータ） (2021-11-16T15:24:59Z)
Genetically Optimized Prediction of Remaining Useful Life [4.115847582689283]
LSTMおよびGRUモデルを実装し、得られた結果と提案された遺伝子訓練ニューラルネットワークを比較します。遺伝的アルゴリズムを用いた他の最適化層を追加することによって,予測の整合性の向上を期待する。これらのモデルと提案されたアーキテクチャは、nasaのターボファンジェットエンジンデータセットでテストされている。
論文参考訳（メタデータ） (2021-02-17T16:09:23Z)

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。