Fugu-MT 論文翻訳(概要): A Stock Price Prediction Approach Based on Time Series Decomposition and Multi-Scale CNN using OHLCT Images

論文の概要: A Stock Price Prediction Approach Based on Time Series Decomposition and Multi-Scale CNN using OHLCT Images

arxiv url: http://arxiv.org/abs/2410.19291v1
Date: Fri, 25 Oct 2024 03:50:54 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-28 13:37:16.157072
Title: A Stock Price Prediction Approach Based on Time Series Decomposition and Multi-Scale CNN using OHLCT Images
Title（参考訳）: OHLCT画像を用いた時系列分解とマルチスケールCNNに基づく株価予測手法
Authors: Zhiyuan Pei, Jianqi Yan, Jin Yan, Bailing Yang, Ziyuan Li, Lin Zhang, Xin Liu, Yang Zhang,
Abstract要約: 本稿では,中国Aシェア市場の株価変動を予測するために,Sequence-based Multiscale Fusion Regression Convolutional Neural Network (SMSFR-CNN) という新しい手法を提案する。提案モデルでは, 正の予測値が61.15%, 負の予測値が63.37%, 続く5日間の株価トレンドが63.37%となる。
参考スコア（独自算出の注目度）: 8.073306549051802
License:
Abstract: Stock price fluctuations are influenced by a variety of factors, including macroeconomic conditions, government policies, and market sentiment, which together make price movements complex and difficult to predict. Despite many studies aimed at enhancing stock price prediction models, challenges such as data noise, model overfitting, and lack of interpretability are still encountered. To address these issues and improve prediction accuracy, this paper proposes a novel method, named Sequence-based Multiscale Fusion Regression Convolutional Neural Network (SMSFR-CNN), for predicting stock price movements in the China A-share market. By utilizing CNN to learn sequential features and combining them with image features, we improve the accuracy of stock trend prediction on the A-share market stock dataset. This approach reduces the search space for image features, stabilizes, and accelerates the training process. Extensive comparative experiments on 4,454 A-share stocks show that the proposed model achieves 61.15% for positive predictive value and 63.37% for negative predictive value of the stock price trend over the next 5 days, resulting in a total profit of 165.09%.
Abstract（参考訳）: 株価の変動は、マクロ経済の状況、政府の政策、市場のセンチメントなど、様々な要因に影響され、価格の動きを複雑かつ予測しにくいものにしている。株価予測モデルの改善を目的とした多くの研究にもかかわらず、データノイズ、モデルオーバーフィット、解釈可能性の欠如といった課題がまだ遭遇している。本稿では,これらの問題に対処し,予測精度を向上させるために,中国A株市場における株価変動を予測するために,Sequence-based Multiscale Fusion Regression Convolutional Neural Network (SMSFR-CNN) という新しい手法を提案する。 CNNを利用して逐次的特徴を学習し、それらを画像特徴と組み合わせることで、Aシェア市場株価データセットにおける株価トレンド予測の精度を向上させる。このアプローチは、画像特徴の検索スペースを減らし、安定化し、トレーニングプロセスを加速する。 4,454株の総合的な比較実験により、提案されたモデルでは61.15%の正の予測値、63.37%の株価トレンドの負の予測値が続く5日間で達成され、総利益は165.09%となった。

関連論文リスト

GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
論文参考訳（メタデータ） (2024-07-04T09:14:24Z)
Computational Tradeoffs in Image Synthesis: Diffusion, Masked-Token, and Next-Token Prediction [79.78050867137594]
拡散、マスク付きトーケン予測、および次のトーケン予測はすべてトランスフォーマーネットワークアーキテクチャを使用する。 FLOPで測定された計算予算のレンズを用いて,各手法のスケーラビリティを解析する。次点予測によって導かれるトークン予測手法は, 後続のプロンプト上での拡散率を著しく上回ることがわかった。
論文参考訳（メタデータ） (2024-05-21T21:49:39Z)
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)
Learning to Predict Short-Term Volatility with Order Flow Image Representation [0.0]
本論文は、注文フロー情報を用いてBitcoin価格の短期的な変動を予測するという課題に対処する。本稿では,一定時間間隔(スナップショット)で順序フローデータを画像に変換する手法を提案する。次にイメージを使用して、単純な3層畳み込みニューラルネットワーク(CNN)と、より高度なResNet-18とConvMixerの両方をトレーニングする。
論文参考訳（メタデータ） (2023-04-04T12:32:25Z)
Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文参考訳（メタデータ） (2022-10-22T14:54:33Z)
Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
論文参考訳（メタデータ） (2022-04-06T07:06:30Z)
Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文参考訳（メタデータ） (2021-01-05T18:54:11Z)
Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文参考訳（メタデータ） (2020-10-28T17:53:57Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)
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)
Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries [0.0]
機械学習アプローチを使用して様々な予測モデルを構築し、そのモデルを使用して、2019年のNIFTY 50のクローズバリューを予測する。 NIFTY指数運動パターンの予測には,多くの分類法を用い,NIFTY指数の実際の閉値の予測には様々な回帰モデルを構築した。我々は、予測に使用する変数の数が異なる3つのアプローチを用いて、将来のNIFTY指数値を予測する際のCNNの力を利用する。
論文参考訳（メタデータ） (2020-01-10T03:27:08Z)

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。