Fugu-MT 論文翻訳(概要): Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks

論文の概要: Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks

arxiv url: http://arxiv.org/abs/2406.14469v1
Date: Thu, 20 Jun 2024 16:32:18 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 12:43:03.199083
Title: Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks
Title（参考訳）: 一様ランダムウォークにおける点予測のための動きの融合とナイーブ予測
Authors: Cheng Zhang,
Abstract要約: 本研究では,移動予測(二項分類)とナイーブ予測を融合した新しい予測手法を提案する。 S&P500指数とBitcoin価格の予測において、ARIMA、線形回帰、LSTMネットワークなどのベースラインモデルを上回る動き予測精度が0.55に低下し、ナイーブな予測を確実に上回っている。
参考スコア（独自算出の注目度）: 6.935130578959931
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Traditional methods for point forecasting in univariate random walks often fail to surpass naive benchmarks due to data unpredictability. This study introduces a novel forecasting method that fuses movement prediction (binary classification) with naive forecasts for accurate one-step-ahead point forecasting. The method's efficacy is demonstrated through theoretical analysis, simulations, and real-world data experiments. It reliably exceeds naive forecasts with movement prediction accuracies as low as 0.55, outperforming baseline models like ARIMA, linear regression, MLP, and LSTM networks in forecasting the S\&P 500 index and Bitcoin prices. This method is particularly advantageous when accurate point predictions are challenging but accurate movement predictions are attainable, translating movement predictions into point forecasts in random walk contexts.
Abstract（参考訳）: 単変量ランダムウォークにおける点予測の従来の方法は、データの予測不能のため、単純なベンチマークを超えないことが多い。本研究では,移動予測(二項分類)とナイーブ予測を融合した新しい予測手法を提案する。この手法の有効性は理論解析、シミュレーション、実世界のデータ実験を通じて実証される。 ARIMA、線形回帰、MLP、LSTMネットワークといったベースラインモデルを上回るパフォーマンスで、S&P500指数とBitcoin価格を予測している。この方法は、正確な点予測が困難な場合に特に有利であるが、正確な運動予測が達成可能であり、ランダムウォークコンテキストにおける点予測に移動予測を変換する。

関連論文リスト

Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market [0.0]
再生可能エネルギーの電気市場への統合は価格安定に重大な課題をもたらします本研究では, Conformal Prediction (CP) 技術を用いた確率的価格予測の強化について検討した。本稿では,量子レグレッションモデルの効率と時系列適応CP手法の強靭なカバレッジ特性を組み合わせたアンサンブル手法を提案する。
論文参考訳（メタデータ） (2025-02-07T13:57:47Z)
A Hype-Adjusted Probability Measure for NLP Stock Return Forecasting [6.658767709779308]
本稿では,ストックリターンとボラティリティ予測のための新しい自然言語処理(NLP)アプローチの文脈で,Hype-Adjusted Probability Measureを紹介する。日内ニュースが選択した米国の半導体ティッカーの次周期株価のリターンとボラティリティを予測するために, 新たな感情スコア式を提案する。
論文参考訳（メタデータ） (2024-12-10T15:23:31Z)
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文参考訳（メタデータ） (2024-02-23T06:09:45Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
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)
Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction [0.0]
沿岸災害の原因となる大きな波高の極端な値の予測に着目する。本稿では,点予測に基づく新しい手法を提案する。カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。
論文参考訳（メタデータ） (2022-06-20T14:55:17Z)
Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文参考訳（メタデータ） (2022-05-04T04:23:38Z)
CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文参考訳（メタデータ） (2021-09-07T09:38:24Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
論文参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。