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

• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• 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)
• LSTM based models stability in the context of Sentiment Analysis for social media [0.0]
  LSTMモデルとそのキーパラメータについて述べる。 感性分析の文脈でこれらのモデルの安定性をテストする実験を行う。
  論文  参考訳（メタデータ） (2022-11-21T08:31:30Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• 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)
• Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
  本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
  論文  参考訳（メタデータ） (2021-03-05T07:32:36Z)
• 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)
• An Asymptotically Optimal Multi-Armed Bandit Algorithm and Hyperparameter Optimization [48.5614138038673]
  本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。 また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。 実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
  論文  参考訳（メタデータ） (2020-07-11T03:15:21Z)
• Enhancing Certified Robustness via Smoothed Weighted Ensembling [7.217295098686032]
  Smoothed Weighted ENsembling scheme を用いてランダム化スムーズな分類器の性能を向上させる。 SWEENが最適な証明された堅牢性を達成するのに有効であることを示す。 また,SWEENモデルの予測と認証コストを削減するための適応予測アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-05-19T11:13:43Z)

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。