論文の概要: Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy
- arxiv url: http://arxiv.org/abs/2406.02604v1
- Date: Sun, 2 Jun 2024 06:39:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 23:39:37.234990
- Title: Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy
- Title（参考訳）: TPEベイズ最適化を用いたGated Recurrent Neural Networkによる株価指数予測精度の向上
- Authors: Bivas Dinda,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent advancement of deep learning architectures, neural networks, and the combination of abundant financial data and powerful computers are transforming finance, leading us to develop an advanced method for predicting future stock prices. However, the accessibility of investment and trading at everyone's fingertips made the stock markets increasingly intricate and prone to volatility. The increased complexity and volatility of the stock market have driven demand for more models, which would effectively capture high volatility and non-linear behavior of the different stock prices. This study explored gated recurrent neural network (GRNN) algorithms such as LSTM (long short-term memory), GRU (gated recurrent unit), and hybrid models like GRU-LSTM, LSTM-GRU, with Tree-structured Parzen Estimator (TPE) Bayesian optimization for hyperparameter optimization (TPE-GRNN). The aim is to improve the prediction accuracy of the next day's closing price of the NIFTY 50 index, a prominent Indian stock market index, using TPE-GRNN. A combination of eight influential factors is carefully chosen from fundamental stock data, technical indicators, crude oil price, and macroeconomic data to train the models for capturing the changes in the price of the index with the factors of the broader economy. Single-layer and multi-layer TPE-GRNN models have been developed. The models' performance is evaluated using standard matrices like R2, MAPE, and RMSE. The analysis of models' performance reveals the impact of feature selection and hyperparameter optimization (HPO) in enhancing stock index price prediction accuracy. The results show that the MAPE of our proposed TPE-LSTM method is the lowest (best) with respect to all the previous models for stock index price prediction.
- Abstract（参考訳）: 近年のディープラーニングアーキテクチャ、ニューラルネットワーク、豊富な金融データと強力なコンピュータの組み合わせは金融を変革させており、将来的な株価予測の先進的な方法が開発されている。
しかし、全ての指先での投資やトレーディングのアクセシビリティにより、株式市場はますます複雑になり、ボラティリティが悪化する傾向にあった。
株式市場の複雑さとボラティリティの増大により、より多くのモデルへの需要が押し上げられ、異なる株価の高ボラティリティと非線形な振る舞いを効果的に捉えることになる。
本研究では,LSTM (long short-term memory), GRU (gate recurrent unit), GRU-LSTM, LSTM-GRU, Tree-structured Parzen Estimator (TPE) Bayesian Optimization for hyperparameter optimization (TPE-GRNN) などのGRU-LSTM, LSTM-GRUなどのハイブリッドモデルについて検討した。
TPE-GRNNを用いて、インドの著名な株価指数であるNIFTY 50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、より広範な経済要因による指数の価格変化を捉えるためのモデルを訓練する。
単層・多層TPE-GRNNモデルが開発されている。
モデルの性能は、R2、MAPE、RMSEなどの標準行列を用いて評価される。
モデルの性能分析により,株価指数の予測精度向上における特徴選択とハイパーパラメータ最適化(HPO)の影響が明らかになった。
その結果,提案手法のMAPEは,ストックインデックスの価格予測における過去の全てのモデルに対して,最も低い(ベスト)であることがわかった。
関連論文リスト
- 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) - An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。
時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。
テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
論文 参考訳（メタデータ） (2024-08-22T13:58:55Z) - Indian Stock Market Prediction using Augmented Financial Intelligence ML [0.0]
本稿では,Superforecasters予測を付加した機械学習アルゴリズムを用いた価格予測モデルを提案する。
これらのモデルは平均絶対誤差を用いて予測精度を決定する。
主な目標は、予測不可能な変化や株価の変化を予想するスーパープレキャストの特定と予測の追跡である。
論文 参考訳（メタデータ） (2024-07-02T12:58:50Z) - 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) - 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) - ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
論文 参考訳（メタデータ） (2023-12-02T03:55:37Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - 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) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳（メタデータ） (2021-07-05T10:15:23Z) - 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。