Fugu-MT 論文翻訳(概要): Price predictability in limit order book with deep learning model

論文の概要: Price predictability in limit order book with deep learning model

arxiv url: http://arxiv.org/abs/2409.14157v1
Date: Sat, 21 Sep 2024 14:40:13 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 03:22:11.983381
Title: Price predictability in limit order book with deep learning model
Title（参考訳）: ディープラーニングモデルを用いたリミットオーダーブックの価格予測可能性
Authors: Kyungsub Lee,
Abstract要約: 本研究では,ディープラーニングモデルを用いた高周波価格変化の予測について検討する。未定義の目標価格プロセスでは,過去の情報を組み込むことで予測が無意味になることが判明した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study explores the prediction of high-frequency price changes using deep learning models. Although state-of-the-art methods perform well, their complexity impedes the understanding of successful predictions. We found that an inadequately defined target price process may render predictions meaningless by incorporating past information. The commonly used three-class problem in asset price prediction can generally be divided into volatility and directional prediction. When relying solely on the price process, directional prediction performance is not substantial. However, volume imbalance improves directional prediction performance.
Abstract（参考訳）: 本研究では,ディープラーニングモデルを用いた高周波価格変化の予測について検討する。最先端の手法はうまく機能するが、その複雑さは成功予測の理解を妨げる。未定義の目標価格プロセスでは,過去の情報を組み込むことで予測が無意味になることが判明した。資産価格予測における一般的に用いられる3クラス問題は通常、ボラティリティと方向性予測に分けられる。価格プロセスのみに依存する場合、方向性予測性能はそれほど大きくない。しかし、ボリューム不均衡は方向予測性能を向上させる。

関連論文リスト

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)
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)
Electricity Price Prediction for Energy Storage System Arbitrage: A Decision-focused Approach [4.992622806418143]
電力価格予測はエネルギー貯蔵システム(ESS)管理において重要な役割を担っている。現在の予測モデルは、予測エラーを減らすことに重点を置いているが、下流の意思決定への影響を見落としている。本稿では,下流最適化モデルから予測モデルへのギャップを埋めるため,ESS調停のための意思決定型電力価格予測手法を提案する。
論文参考訳（メタデータ） (2023-04-30T00:43:26Z)
Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文参考訳（メタデータ） (2023-04-20T07:29:23Z)
Data Uncertainty without Prediction Models [0.8223798883838329]
予測モデルを明示的に使用せずに、距離重み付きクラス不純物という不確実性推定手法を提案する。距離重み付きクラス不純物は予測モデルによらず効果的に機能することを確認した。
論文参考訳（メタデータ） (2022-04-25T13:26:06Z)
Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文参考訳（メタデータ） (2021-12-15T15:17:02Z)
Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文参考訳（メタデータ） (2021-09-30T19:19:09Z)
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)
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
論文参考訳（メタデータ） (2021-06-17T17:15:02Z)
Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。