論文の概要: Achilles, Neural Network to Predict the Gold Vs US Dollar Integration with Trading Bot for Automatic Trading

• arxiv url: http://arxiv.org/abs/2410.21291v2
• Date: Wed, 30 Oct 2024 13:52:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 13:57:12.649074
• Title: Achilles, Neural Network to Predict the Gold Vs US Dollar Integration with Trading Bot for Automatic Trading
• Title（参考訳）: アキレス(Achilles), 自動取引用トレーディングボットによる金VUSドル統合を予測するニューラルネットワーク
• Authors: Angel Varela,
• Abstract要約: アキレスはLSTM(Long Short Term Memory)ニューラルネットワークの古典的なアーキテクチャで、ゴールド対USDのコモディティを予測することができる。 テスト期間の終わりに、使用する方法論で1623.52の利益を上げました。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Predicting the stock market is a big challenge for the machine learning world. It is known how difficult it is to have accurate and consistent predictions with ML models. Some architectures are able to capture the movement of stocks but almost never are able to be launched to the production world. We present Achilles, with a classical architecture of LSTM(Long Short Term Memory) neural network this model is able to predict the Gold vs USD commodity. With the predictions minute-per-minute of this model we implemented a trading bot to run during 23 days of testing excluding weekends. At the end of the testing period we generated $1623.52 in profit with the methodology used. The results of our method demonstrate Machine Learning can successfully be implemented to predict the Gold vs USD commodity.
• Abstract（参考訳）: 株式市場の予測は、機械学習の世界にとって大きな課題だ。 MLモデルで正確で一貫した予測を行うのがいかに難しいかは分かっていない。 一部のアーキテクチャは在庫の移動を捉えることができるが、生産の世界に打ち上げられることはほとんどない。 我々は、LSTM(Long Short Term Memory)ニューラルネットワークの古典的なアーキテクチャを用いて、このモデルでゴールド対USDのコモディティを予測することができるAchillesを提案する。 このモデルの分単位での予測では、週末を除く23日間のテスト実行用に、トレーディングボットを実装しました。 テスト期間の終わりに、使用する方法論で1623.52の利益を上げました。 提案手法は,ゴールド対USDの商品を予測するために,機械学習をうまく実装できることを実証する。

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)
• Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms [3.2732602885346576]
  この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。 我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。 XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
  論文  参考訳（メタデータ） (2023-05-17T07:04:32Z)
• nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
  我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。 トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。 NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
  論文  参考訳（メタデータ） (2023-04-14T00:45:01Z)
• Real-time Forecasting of Time Series in Financial Markets Using Sequentially Trained Many-to-one LSTMs [0.304585143845864]
  2つのLSTMをトレーニングし、例えば、以前のデータのT$タイムステップをトレーニングし、1回だけ前に進むことを予測します。 1つのLSTMは最適なエポック数を見つけるために使用されるが、第2のLSTMは予測するエポック数だけを訓練する。 我々は、現在の予測を次の予測のためのトレーニングセットとして扱い、同じLSTMを訓練する。
  論文  参考訳（メタデータ） (2022-05-10T05:18:45Z)
• A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Prediction [100.9772316028191]
  本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。 以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-01T05:12:22Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Stock price prediction using BERT and GAN [0.0]
  本稿では、株価を予測するための最先端の手法の集合体を提案する。 これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。 その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
  論文  参考訳（メタデータ） (2021-07-18T18:31:43Z)
• Exploring Sparse Expert Models and Beyond [51.90860155810848]
  Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。 本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。 この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-31T16:12:44Z)
• Real-Time Prediction of BITCOIN Price using Machine Learning Techniques and Public Sentiment Analysis [0.0]
  本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。 TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。 我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
  論文  参考訳（メタデータ） (2020-06-18T15:40:11Z)
• 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。