論文の概要: Advanced LSTM Neural Networks for Predicting Directional Changes in Sector-Specific ETFs Using Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2409.05778v1
• Date: Mon, 9 Sep 2024 16:41:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 13:56:09.387120
• Title: Advanced LSTM Neural Networks for Predicting Directional Changes in Sector-Specific ETFs Using Machine Learning Techniques
• Title（参考訳）: 機械学習を用いた分野特化ETFの方向変化予測のための高度なLSTMニューラルネットワーク
• Authors: Rifa Gowani, Zaryab Kanjiani,
• Abstract要約: この研究は、9つの異なるセクターと2200以上の株にわたるLong-Short Term Memory(LSTM)モデルを評価する。 全分野にわたるR2乗値は、平均0.8651、VNQ ETFは0.942である、有望な結果を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trading and investing in stocks for some is their full-time career, while for others, it's simply a supplementary income stream. Universal among all investors is the desire to turn a profit. The key to achieving this goal is diversification. Spreading investments across sectors is critical to profitability and maximizing returns. This study aims to gauge the viability of machine learning methods in practicing the principle of diversification to maximize portfolio returns. To test this, the study evaluates the Long-Short Term Memory (LSTM) model across nine different sectors and over 2,200 stocks using Vanguard's sector-based ETFs. The R-squared value across all sectors showed promising results, with an average of 0.8651 and a high of 0.942 for the VNQ ETF. These findings suggest that the LSTM model is a capable and viable model for accurately predicting directional changes across various industry sectors, helping investors diversify and grow their portfolios.
• Abstract（参考訳）: 株式のトレーディングや投資はフルタイムのキャリアである一方、追加の収入源であるものもある。 すべての投資家の中でユニバーサルは、利益を回したいという願望だ。 この目標を達成するための鍵は多様化です。 収益性や利益率の最大化には、セクターにまたがる投資が不可欠だ。 本研究は,ポートフォリオリターンを最大化するための多様化の原則を実践する上で,機械学習手法の実用性を評価することを目的とする。 これをテストするために、VanguardのセクターベースのETFを用いて、9つの異なるセクターと2200以上の株にわたるLong-Short Term Memory(LSTM)モデルを評価する。 全分野にわたるR2乗値は、平均0.8651、VNQ ETFは0.942である、有望な結果を示した。 これらの結果は、LSTMモデルが様々な産業セクターの方向性変化を正確に予測し、投資家のポートフォリオの多様化と成長を支援するための、実用的で実行可能なモデルであることを示唆している。

関連論文リスト

• Leveraging Fundamental Analysis for Stock Trend Prediction for Profit [0.0]
  本稿では,機械学習モデル,Long Short-Term Memory (LSTM), 1次元畳み込みニューラルネットワーク (1D CNN) およびロジスティック回帰 (LR) を用いて,基本解析に基づく株価トレンドの予測を行う。 我々は、2つの予測タスク、すなわち年次株価差(ASPD)と現在の株価と本質的価値(CSPDIV)の差を定式化するために、主要な金融比率とディスクキャッシュフロー(DCF)モデルを採用する。 この結果、LRモデルはCNNおよびLSTMモデルより優れており、ASPDの平均テスト精度は74.66%、DCSPIVは72.85%であることがわかった。
  論文  参考訳（メタデータ） (2024-10-04T20:36:19Z)
• Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning [0.0]
  この研究は、既存の株価予測手法に関する文献に基づいており、機械学習とディープラーニングアプローチへのシフトを強調している。 LSTMモデルでは、NSE、インドに上場している18のセクターで180銘柄の歴史的株価を用いて、将来の価格を予測する。 その結果,株価を正確に予測し,投資決定を下す上でLSTMモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-05-28T17:55:54Z)
• Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
  本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。 以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-03-25T12:04:03Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
  本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。 実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-05-25T10:27:07Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach [29.706515133374193]
  既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。 本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。 AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2022-06-07T08:58:00Z)
• Portfolio Optimization on NIFTY Thematic Sector Stocks Using an LSTM Model [0.0]
  本論文では,インドのNSEの5つのテーマセクターに対して,最適リスクと固有ポートフォリオを設計するためのアルゴリズム的アプローチを提案する。 株価は2016年1月1日から2020年12月31日までウェブから抽出される。 LSTMモデルは将来の株価を予測するために設計されている。 ポートフォリオが結成されて7ヶ月後の2021年8月3日、ポートフォリオの実際のリターンはLSTM予測リターンと比較される。
  論文  参考訳（メタデータ） (2022-02-06T07:41:20Z)
• Two-Stage Sector Rotation Methodology Using Machine Learning and Deep Learning Techniques [0.0]
  市場指標とランキングセクターを用いて各セクターのETF価格を予測する2段階の手法を提案する。 実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-08-05T20:32:59Z)
• 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。