論文の概要: Exploring applications of topological data analysis in stock index movement prediction

• arxiv url: http://arxiv.org/abs/2411.13881v1
• Date: Thu, 21 Nov 2024 06:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:18:00.289194
• Title: Exploring applications of topological data analysis in stock index movement prediction
• Title（参考訳）: ストックインデックス運動予測におけるトポロジカルデータ解析の探索
• Authors: Dazhi Huang, Pengcheng Xu, Xiaocheng Huang, Jiayi Chen,
• Abstract要約: 3つの異なる手法を用いてストックインデックスのための点雲を構築する。 データ内のパターンを表現するために4つの異なるトポロジ的特徴が計算され、これらの特徴の15の組み合わせが列挙され、6つの異なる機械学習モデルに入力される。 CSI, DAX, HSI, FTSEなどのデータセット上で, インデックス移動分類タスクを実行することで, 様々なTDA構成の予測性能を評価する。
• 参考スコア（独自算出の注目度）: 5.82416342574148
• License:
• Abstract: Topological Data Analysis (TDA) has recently gained significant attention in the field of financial prediction. However, the choice of point cloud construction methods, topological feature representations, and classification models has a substantial impact on prediction results. This paper addresses the classification problem of stock index movement. First, we construct point clouds for stock indices using three different methods. Next, we apply TDA to extract topological structures from the point clouds. Four distinct topological features are computed to represent the patterns in the data, and 15 combinations of these features are enumerated and input into six different machine learning models. We evaluate the predictive performance of various TDA configurations by conducting index movement classification tasks on datasets such as CSI, DAX, HSI and FTSE providing insights into the efficiency of different TDA setups.
• Abstract（参考訳）: トポロジカル・データ・アナリティクス(TDA)は近年、金融予測の分野で大きな注目を集めている。 しかし, 点雲構築法, 位相的特徴表現, 分類モデルの選択は, 予測結果に大きな影響を及ぼす。 本稿では,株価指数運動の分類問題に対処する。 まず,3つの異なる手法を用いてストック指標の点雲を構築する。 次に、TDAを用いて点雲から位相構造を抽出する。 データ内のパターンを表現するために4つの異なるトポロジ的特徴が計算され、これらの特徴の15の組み合わせが列挙され、6つの異なる機械学習モデルに入力される。 CSI, DAX, HSI, FTSEなどのデータセットにインデックス移動分類タスクを施し, 様々なTDA構成の予測性能を評価する。

関連論文リスト

• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• 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)
• Sparse Portfolio Selection via Topological Data Analysis based Clustering [5.110444063763577]
  本稿では、トポロジカルデータ解析ツールを使用し、スパースポートフォリオ構築に適したデータ駆動クラスタリングに基づくストックセレクション戦略を提案する。 クラスタリングアルゴリズムとTDAを統合する戦略は,多様な市場シナリオにおいて,さまざまなパフォーマンス指標にまたがるスパースポートフォリオのパフォーマンスを著しく向上させた。
  論文  参考訳（メタデータ） (2024-01-30T11:42:52Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• A topological classifier to characterize brain states: When shape matters more than variance [0.0]
  トポロジカルデータ分析(TDA)は、永続化記述子を用いてデータ雲の形状を研究することを目的としている。 本稿では,データサブセットへの新たな入力の追加によるトポロジカルメトリクスの定量化変化の原理に基づいた,TDAに基づく新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2023-03-07T20:45:15Z)
• NETpred: Network-based modeling and prediction of multiple connected market indices [8.122270502556372]
  我々は、複数の関連指標とその在庫を表す新しいグラフを生成する、NETpredというフレームワークを紹介した。 次に、状態空間の異なる部分をカバーし、価格の動きを正確に予測できる多様な代表ノードの集合を徹底的に選択する。 得られたモデルを使用して、最終的に集約されたストックラベルを予測し、グラフ内のすべてのインデックスノードのラベルを推測する。
  論文  参考訳（メタデータ） (2022-12-02T17:23:09Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• Towards a Taxonomy of Graph Learning Datasets [10.151886932716518]
  グラフニューラルネットワーク(GNN)は、基礎となるデータの固有のジオメトリを活用する能力によって、多くの注目を集めている。 本稿では,グラフ摂動の集合を慎重に設計することで,グラフベンチマークデータセットを分類する手法を提案する。 データ駆動によるグラフデータセットの分類は、重要なデータセット特性の新たな理解を提供する。
  論文  参考訳（メタデータ） (2021-10-27T23:08:01Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Artificial Text Detection via Examining the Topology of Attention Maps [58.46367297712477]
  トポロジカルデータ分析(TDA)に基づく3種類の解釈可能なトポロジカル特徴を提案する。 BERTモデルから派生した特徴が3つの共通データセットにおいて、カウントベースとニューラルベースベースラインを最大10%上回っていることを実証的に示す。 特徴の探索解析は表面に対する感度と構文的性質を明らかにしている。
  論文  参考訳（メタデータ） (2021-09-10T12:13:45Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。