論文の概要: Leveraging Time Series Categorization and Temporal Fusion Transformers to Improve Cryptocurrency Price Forecasting

• arxiv url: http://arxiv.org/abs/2412.14529v1
• Date: Thu, 19 Dec 2024 04:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:29:24.615294
• Title: Leveraging Time Series Categorization and Temporal Fusion Transformers to Improve Cryptocurrency Price Forecasting
• Title（参考訳）: 時間系列分類とテンポラルフュージョン変換器による暗号価格予測の改善
• Authors: Arash Peik, Mohammad Ali Zare Chahooki, Amin Milani Fard, Mehdi Agha Sarram,
• Abstract要約: 資産の最適選択は、暗号通貨の価格の正確な予測を必要とする主な課題の1つである。 サブシリーズの各カテゴリに対して、各サブシリーズの次のステップを予測するために、アテンションメカニズムに基づくディープラーニングモデルを作成する。 この課題を克服するために、他の暗号通貨の時系列データを組み合わせて、各カテゴリのデータ量を増やすことを提案し、したがって、各カテゴリに対応するモデルの精度を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Organizing and managing cryptocurrency portfolios and decision-making on transactions is crucial in this market. Optimal selection of assets is one of the main challenges that requires accurate prediction of the price of cryptocurrencies. In this work, we categorize the financial time series into several similar subseries to increase prediction accuracy by learning each subseries category with similar behavior. For each category of the subseries, we create a deep learning model based on the attention mechanism to predict the next step of each subseries. Due to the limited amount of cryptocurrency data for training models, if the number of categories increases, the amount of training data for each model will decrease, and some complex models will not be trained well due to the large number of parameters. To overcome this challenge, we propose to combine the time series data of other cryptocurrencies to increase the amount of data for each category, hence increasing the accuracy of the models corresponding to each category.
• Abstract（参考訳）: この市場では、暗号通貨のポートフォリオと取引に関する意思決定の組織化と管理が不可欠だ。 資産の最適選択は、暗号通貨の価格の正確な予測を必要とする主な課題の1つである。 本研究では、金融時系列を複数の類似したサブシリーズに分類し、類似した振る舞いで各サブシリーズカテゴリを学習することで予測精度を向上させる。 サブシリーズの各カテゴリに対して、各サブシリーズの次のステップを予測するために、アテンションメカニズムに基づくディープラーニングモデルを作成する。 トレーニングモデルの暗号データの量が限られているため、カテゴリ数が増加すると、各モデルのトレーニングデータの量は減少し、パラメータが多ければ複雑なモデルも十分に訓練されない。 この課題を克服するために、他の暗号通貨の時系列データを組み合わせて、各カテゴリのデータ量を増やすことを提案し、したがって、各カテゴリに対応するモデルの精度を高める。

関連論文リスト

• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models [9.991327369572819]
  本稿では,関連事象に関するテキスト情報を組み込んだ協調モデリングフレームワークを提案する。 我々は、将来の変更に関する大規模言語モデルの直感を活用して、実数時系列の予測を更新する。
  論文  参考訳（メタデータ） (2024-07-04T07:21:38Z)
• Review of deep learning models for crypto price prediction: implementation and evaluation [5.240745112593501]
  本稿では、暗号通貨価格予測のためのディープラーニングに関する文献をレビューし、暗号通貨価格予測のための新しいディープラーニングモデルを評価する。 我々のディープラーニングモデルには、長い短期記憶(LSTM)リカレントニューラルネットワークの変種、畳み込みニューラルネットワーク(CNN)の変種、トランスフォーマーモデルが含まれています。 また、新型コロナウイルスのパンデミックを通じて価格の大幅な変動を示す4つの暗号通貨のボラティリティ分析を実施している。
  論文  参考訳（メタデータ） (2024-05-19T03:15:27Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Stock Trend Prediction: A Semantic Segmentation Approach [3.718476964451589]
  完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。 我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2023-03-09T01:29:09Z)
• A Closer Look at Few-shot Classification Again [68.44963578735877]
  トレーニングフェーズと適応フェーズで構成されている。 トレーニングアルゴリズムと適応アルゴリズムが完全に絡み合っていることを実証的に証明する。 各フェーズのメタアナリシスは、いくつかの興味深い洞察を示し、いくつかのショット分類の重要な側面をよりよく理解するのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-28T16:42:05Z)
• Discrete Key-Value Bottleneck [95.61236311369821]
  ディープニューラルネットワークは、データストリームがi.d.d.であり、ラベル付きデータが豊富である分類タスクでうまく機能する。 この課題に対処した強力なアプローチの1つは、手軽に利用可能なデータ量に対する大規模なエンコーダの事前トレーニングと、タスク固有のチューニングである。 しかし、新しいタスクを考えると、多くの重みを微調整する必要があるため、エンコーダの重みを更新することは困難であり、その結果、以前のタスクに関する情報を忘れてしまう。 この問題に対処するモデルアーキテクチャを提案し,個別かつ学習可能なキー値符号のペアを含む離散的ボトルネックの上に構築する。
  論文  参考訳（メタデータ） (2022-07-22T17:52:30Z)
• Explaining Time Series Predictions with Dynamic Masks [91.3755431537592]
  機械学習モデルの予測を説明するために動的マスク(Dynamask)を提案する。 人工的および実世界のデータを用いて、Dynamaskのダイナミックな基盤は、そのパーシモニーとともに、時間とともに重要な特徴を識別する優れた改善をもたらすことを実証する。 Dynamaskのモジュラリティは、医療や金融といった分野における幅広い機械学習モデルの透明性を高めるためのプラグインとして理想的だ。
  論文  参考訳（メタデータ） (2021-06-09T18:01:09Z)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)
• Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting [12.0855096102517]
  金融時系列予測のための表現学習フレームワークを提案する。 本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-02-18T15:24:33Z)

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。