論文の概要: Forecasting Foreign Exchange Market Prices Using Technical Indicators with Deep Learning and Attention Mechanism
- arxiv url: http://arxiv.org/abs/2411.19763v1
- Date: Fri, 29 Nov 2024 15:07:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:22:03.155670
- Title: Forecasting Foreign Exchange Market Prices Using Technical Indicators with Deep Learning and Attention Mechanism
- Title(参考訳): 深層学習・注意機構を有する技術指標を用いた外国為替市場価格予測
- Authors: Sahabeh Saadati, Mohammad Manthouri,
- Abstract要約: 提案アーキテクチャは,Long Short-Term Memory(LSTM)とConvolutional Neural Network(CNN)で構成されている。
技術的指標を用いて、Forex通貨ペアデータから統計的特徴を抽出する。
LSTMおよびCNNネットワークは、将来の価格変動を予測するために並列に使用される。
- 参考スコア(独自算出の注目度): 0.46040036610482665
- License:
- Abstract: Accurate prediction of price behavior in the foreign exchange market is crucial. This paper proposes a novel approach that leverages technical indicators and deep neural networks. The proposed architecture consists of a Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN), and attention mechanism. Initially, trend and oscillation technical indicators are employed to extract statistical features from Forex currency pair data, providing insights into price trends, market volatility, relative price strength, and overbought and oversold conditions. Subsequently, the LSTM and CNN networks are utilized in parallel to predict future price movements, leveraging the strengths of both recurrent and convolutional architectures. The LSTM network captures long-term dependencies and temporal patterns in the data, while the CNN network extracts local patterns. The outputs of the parallel LSTM and CNN networks are then fed into an attention mechanism, which learns to weigh the importance of each feature and temporal dependency, generating a context-aware representation of the input data. The attention-weighted output is then used to predict future price movements, enabling the model to focus on the most relevant features and temporal dependencies. Through a comprehensive evaluation of the proposed approach on multiple Forex currency pairs, we demonstrate its effectiveness in predicting price behavior and outperforming benchmark models.
- Abstract(参考訳): 外国為替市場での物価変動の正確な予測が不可欠である。
本稿では,技術指標とディープニューラルネットワークを活用した新しいアプローチを提案する。
提案アーキテクチャは,Long Short-Term Memory (LSTM) とConvolutional Neural Network (CNN) とアテンション機構から構成される。
当初は、フォレックス通貨ペアのデータから統計的特徴を抽出し、価格トレンド、市場のボラティリティ、相対的な価格強度、過渡期と過大期に関する洞察を提供するために、トレンドと振動の技術的指標が使用されている。
その後、LSTMとCNNネットワークを並列に利用して将来の価格変動を予測し、繰り返しアーキテクチャと畳み込みアーキテクチャの両方の長所を活用する。
LSTMネットワークはデータの長期的な依存関係と時間パターンをキャプチャし、CNNネットワークはローカルパターンを抽出する。
次に、並列LSTMおよびCNNネットワークの出力をアテンション機構に入力し、各特徴の重要性と時間依存性を考慮し、入力データのコンテキスト認識表現を生成する。
注意重み付けされた出力は、将来の価格変動を予測するために使用され、モデルが最も関係のある機能や時間的依存にフォーカスできるようにする。
複数のForex通貨ペアに対する提案手法の包括的評価を通じて、価格変動の予測とベンチマークモデルの性能を実証する。
関連論文リスト
- BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳(メタデータ) (2024-11-09T05:40:32Z) - Enhancing Price Prediction in Cryptocurrency Using Transformer Neural
Network and Technical Indicators [0.5439020425819]
方法論は、技術指標、Performerニューラルネットワーク、BiLSTMの使用を統合する。
提案手法は、主要な暗号通貨の時間と日時に適用される。
論文 参考訳(メタデータ) (2024-03-06T10:53:12Z) - Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。
この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。
LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
論文 参考訳(メタデータ) (2023-12-09T07:53:25Z) - Stock Price Prediction Using Temporal Graph Model with Value Chain Data [3.1641827542160805]
本稿では,Long Short-Term Memory Graph Convolutional Neural Network (LSTM-GCN)モデルを提案する。
本実験により,LSTM-GCNモデルでは,価格データに完全に反映されていないバリューチェーンデータから付加的な情報を取得することができることが示された。
論文 参考訳(メタデータ) (2023-03-07T17:24:04Z) - 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) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳(メタデータ) (2022-01-14T14:02:19Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳(メタデータ) (2021-09-01T07:52:03Z) - Predicting Inflation with Recurrent Neural Networks [0.0]
本稿では,リカレントニューラルネットワークLSTMを用いてインフレーションの予測を行う。
米国のデータによるエクササイズの結果は、推定されたニューラルネットが、一般的なベンチマークに対して競合するが、傑出したものではないことを示している。
論文 参考訳(メタデータ) (2021-04-08T13:19:26Z) - 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。