論文の概要: LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU

• arxiv url: http://arxiv.org/abs/2409.08282v2
• Date: Wed, 25 Sep 2024 12:38:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 21:20:36.276230
• Title: LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU
• Title（参考訳）: LSR-IGRU:長期関係に基づく株価トレンド予測とGRUの改善
• Authors: Peng Zhu, Yuante Li, Yifan Hu, Qinyuan Liu, Dawei Cheng, Yuqi Liang,
• Abstract要約: LSR-IGRUという株価トレンド予測モデルを提案する。 長期の株式関係と改良されたGRUインプットに基づいている。 我々は,現在最先端のベースラインモデルよりも提案したLSR-IGRUの優位性を検証した。
• 参考スコア（独自算出の注目度）: 13.647242132570888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock price prediction is a challenging problem in the field of finance and receives widespread attention. In recent years, with the rapid development of technologies such as deep learning and graph neural networks, more research methods have begun to focus on exploring the interrelationships between stocks. However, existing methods mostly focus on the short-term dynamic relationships of stocks and directly integrating relationship information with temporal information. They often overlook the complex nonlinear dynamic characteristics and potential higher-order interaction relationships among stocks in the stock market. Therefore, we propose a stock price trend prediction model named LSR-IGRU in this paper, which is based on long short-term stock relationships and an improved GRU input. Firstly, we construct a long short-term relationship matrix between stocks, where secondary industry information is employed for the first time to capture long-term relationships of stocks, and overnight price information is utilized to establish short-term relationships. Next, we improve the inputs of the GRU model at each step, enabling the model to more effectively integrate temporal information and long short-term relationship information, thereby significantly improving the accuracy of predicting stock trend changes. Finally, through extensive experiments on multiple datasets from stock markets in China and the United States, we validate the superiority of the proposed LSR-IGRU model over the current state-of-the-art baseline models. We also apply the proposed model to the algorithmic trading system of a financial company, achieving significantly higher cumulative portfolio returns compared to other baseline methods. Our sources are released at https://github.com/ZP1481616577/Baselines_LSR-IGRU.
• Abstract（参考訳）: 株価予測は金融分野で難しい問題であり、広く注目を集めている。 近年、ディープラーニングやグラフニューラルネットワークといった技術が急速に発展し、ストック間の相互関係を探究する研究手法が増えている。 しかし,既存手法は主に在庫の短期的動的関係に着目し,時間的情報と関係情報を直接統合するものである。 彼らはしばしば、株式市場の株式間の複雑な非線形力学特性と高次の相互作用関係を見落としている。 そこで本稿では,長期の株式関係と改良されたGRU入力に基づく,LSR-IGRUという株価トレンド予測モデルを提案する。 まず, 株式の長期的関係をつかむために, 二次産業情報を初めて利用し, 短期関係を確立するために, 長期的価格情報を利用する, 株式間の長期的関係行列を構築した。 次に、各ステップにおけるGRUモデルの入力を改善し、時間的情報と長期的関係情報をより効率的に統合し、株価トレンド変化の予測精度を大幅に向上させる。 最後に、中国と米国の株式市場から得られた複数のデータセットに関する広範な実験を通じて、現在最先端のベースラインモデルよりも提案されたLSR-IGRUモデルの優位性を検証した。 また、提案手法を金融機関のアルゴリズム取引システムに適用し、他の基準手法と比較して累積ポートフォリオリターンを著しく向上させる。 ソースはhttps://github.com/ZP1481616577/Baselines_LSR-IGRUで公開されています。

関連論文リスト

• 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)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information [73.40830291141035]
  近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。 これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。 本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-26T14:04:04Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• FinGAT: Financial Graph Attention Networks for Recommending Top-K Profitable Stocks [10.302225525539006]
  株価の時系列をモデル化する既存のアプローチでは、株価とセクター間の関係は無視されるか、事前に定義される。 本稿では,この課題に対処するための新しいディープラーニングモデルであるFinancial Graph Attention Networks (FinGAT)を提案する。 台湾株、S&P500およびNASDAQデータセットを用いた実験は、顕著なレコメンデーション性能を示した。
  論文  参考訳（メタデータ） (2021-06-18T14:51:14Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• Improving Long-Tail Relation Extraction with Collaborating Relation-Augmented Attention [63.26288066935098]
  本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。 一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
  論文  参考訳（メタデータ） (2020-10-08T05:34:43Z)
• Multi-Graph Convolutional Network for Relationship-Driven Stock Movement Prediction [19.58023036416987]
  ストックムーブメントを予測するために,Multi-GCGRUと呼ばれるディープラーニングフレームワークを提案する。 まず、金融分野の知識に基づいて、株間の複数の関係をグラフにエンコードする。 先行知識を更に排除するために,データから学習した適応関係を探索する。
  論文  参考訳（メタデータ） (2020-05-11T09:31:44Z)
• Predictive intraday correlations in stable and volatile market environments: Evidence from deep learning [2.741266294612776]
  我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。 以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。 ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
  論文  参考訳（メタデータ） (2020-02-24T17:19:54Z)

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。