論文の概要: Classification Modeling with RNN-Based, Random Forest, and XGBoost for Imbalanced Data: A Case of Early Crash Detection in ASEAN-5 Stock Markets
- arxiv url: http://arxiv.org/abs/2406.07888v1
- Date: Wed, 12 Jun 2024 05:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 18:15:17.220617
- Title: Classification Modeling with RNN-Based, Random Forest, and XGBoost for Imbalanced Data: A Case of Early Crash Detection in ASEAN-5 Stock Markets
- Title（参考訳）: 不均衡データのためのRNNベース、ランダムフォレスト、XGBoostを用いた分類モデル:ASEAN-5株市場における早期クラッシュ検出の事例
- Authors: Deri Siswara, Agus M. Soleh, Aji Hamim Wigena,
- Abstract要約: 本研究は,市場崩壊の頻度が高いためによく見られる不均衡なデータを用いて検討した。
この調査は、ASEAN-5諸国の主要株式市場における2010年から2023年までの日次データを分析している。
様々なRNNアーキテクチャの中で、Simple RNNが最も優れていると指摘している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research aims to evaluate the performance of several Recurrent Neural Network (RNN) architectures including Simple RNN, Gated Recurrent Units (GRU), and Long Short-Term Memory (LSTM), compared to classic algorithms such as Random Forest and XGBoost in building classification models for early crash detection in ASEAN-5 stock markets. The study is examined using imbalanced data, which is common due to the rarity of market crashes. The study analyzes daily data from 2010 to 2023 across the major stock markets of the ASEAN-5 countries, including Indonesia, Malaysia, Singapore, Thailand, and Philippines. Market crash is identified as the target variable when the major stock price indices fall below the Value at Risk (VaR) thresholds of 5%, 2.5% and 1%. predictors involving technical indicators of major local and global markets as well as commodity markets. This study includes 213 predictors with their respective lags (5, 10, 15, 22, 50, 200) and uses a time step of 7, expanding the total number of predictors to 1491. The challenge of data imbalance is addressed with SMOTE-ENN. The results show that all RNN-Based architectures outperform Random Forest and XGBoost. Among the various RNN architectures, Simple RNN stands out as the most superior, mainly due to the data characteristics that are not overly complex and focus more on short-term information. This study enhances and extends the range of phenomena observed in previous studies by incorporating variables like different geographical zones and time periods, as well as methodological adjustments.
- Abstract（参考訳）: 本研究は,ASEAN-5株市場における早期のクラッシュ検出のための分類モデルの構築において,ランダムフォレストやXGBoostといった古典的アルゴリズムと比較して,シンプルなRNN,Gated Recurrent Units(GRU),Long Short-Term Memory(LSTM)など,複数のリカレントニューラルネットワーク(RNN)アーキテクチャの性能を評価することを目的とする。
本研究は,市場崩壊の頻度が高いためによく見られる不均衡なデータを用いて検討した。
この調査は2010年から2023年にかけて、インドネシア、マレーシア、シンガポール、タイ、フィリピンを含むASEAN-5諸国の主要株式市場で毎日のデータを分析した。
市場崩壊は、主要株価指数が5%、2.5%、1%のバリュー・アット・リスク(VaR)閾値を下回ると、ターゲット変数として特定される。
主要地域およびグローバル市場および商品市場の技術的指標を含む予測器。
この研究は、それぞれラグ(5、10、15、15、22、50、200)を持つ213の予測器を含み、7のタイムステップを使用して、予測器の総数1491まで拡張する。
データ不均衡の課題は、SMOTE-ENNによって解決される。
その結果、RNNベースのアーキテクチャはRandom ForestやXGBoostよりも優れていた。
様々なRNNアーキテクチャの中で、Simple RNNが最も優れているのは、主に過度に複雑ではなく、短期的な情報に重点を置いているデータ特性のためである。
本研究は、異なる地理的領域や時間帯などの変数を組み込むことにより、過去の研究で観測された現象の範囲を拡大し、拡張し、方法論的な調整を行う。
関連論文リスト
- A Survey of Graph Neural Networks in Real world: Imbalance, Noise,
Privacy and OOD Challenges [75.37448213291668]
本稿では,既存のグラフニューラルネットワーク(GNN)を体系的にレビューする。
まず、既存のGNNが直面している4つの重要な課題を強調し、現実のGNNモデルを探究する道を開く。
論文 参考訳（メタデータ） (2024-03-07T13:10:37Z) - 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) - Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed
Generative Network [2.1163070161951865]
本稿では、市場固有の特性を意図的に設計したインデックスGANを提案する。
また、実数列と予測列の間のワッサーシュタイン距離を近似するために批判を利用する。
論文 参考訳（メタデータ） (2023-02-27T21:56:56Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Machine Learning Models in Stock Market Prediction [0.0]
本論文は,8つの教師付き機械学習モデルを用いて,ニフティ50指数を予測することに焦点を当てている。
実験は、1996年4月22日から2021年4月16日までのインド株式市場ニフティ50指数の歴史的データに基づいている。
論文 参考訳（メタデータ） (2022-02-06T10:33:42Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - Forecasting Financial Market Structure from Network Features using
Machine Learning [0.6999740786886535]
機械学習を用いて,リンク型およびノード型金融ネットワークの機能から市場相関構造を予測するモデルを提案する。
本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的なエビデンスを提案する。
実験結果から,提案モデルが予測性能の高い市場構造を予測できることを示す。
論文 参考訳（メタデータ） (2021-10-22T12:51:32Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Shift-Robust GNNs: Overcoming the Limitations of Localized Graph
Training data [52.771780951404565]
Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。
SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
論文 参考訳（メタデータ） (2021-08-02T18:00:38Z) - Volatility Modeling of Stocks from Selected Sectors of the Indian
Economy Using GARCH [1.2891210250935146]
インド証券取引所(NSE)に上場している10銘柄のボラティリティをモデル化するための,一般化自己回帰的条件付き不均質(GARCH)フレームワークに基づくいくつかのボラティリティモデルを提案する。
2010年1月1日から2021年4月30日までの歴史的株価記録は、Pythonプログラミング言語のPandasモジュールのDataReader APIを使用してYahoo Financeのウェブサイトから取り除かれた。
結果から、非対称GARCHモデルにより、将来の株価のボラティリティに関するより正確な予測が得られることが示された。
論文 参考訳（メタデータ） (2021-05-28T14:59:40Z) - A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。
本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。
そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
論文 参考訳（メタデータ） (2021-03-01T15:55:58Z)
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。