論文の概要: Developing Cryptocurrency Trading Strategy Based on Autoencoder-CNN-GANs Algorithms

• arxiv url: http://arxiv.org/abs/2412.18202v3
• Date: Wed, 22 Jan 2025 18:21:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:28:18.570052
• Title: Developing Cryptocurrency Trading Strategy Based on Autoencoder-CNN-GANs Algorithms
• Title（参考訳）: Autoencoder-CNN-GANsアルゴリズムに基づく暗号取引戦略の開発
• Authors: Zhuohuan Hu, Richard Yu, Zizhou Zhang, Haoran Zheng, Qianying Liu, Yining Zhou,
• Abstract要約: 本稿では、機械学習アルゴリズムを用いて財務時系列の予測と分析を行う。 プロセスは、主契約価格データからランダムなノイズ変動をフィルタリングするデノナイジングオートエンコーダから始まる。 1次元畳み込みは、フィルタリングデータの次元性を減少させ、キー情報を抽出する。
• 参考スコア（独自算出の注目度）: 1.9447509748918168
• License:
• Abstract: This paper leverages machine learning algorithms to forecast and analyze financial time series. The process begins with a denoising autoencoder to filter out random noise fluctuations from the main contract price data. Then, one-dimensional convolution reduces the dimensionality of the filtered data and extracts key information. The filtered and dimensionality-reduced price data is fed into a GANs network, and its output serve as input of a fully connected network. Through cross-validation, a model is trained to capture features that precede large price fluctuations. The model predicts the likelihood and direction of significant price changes in real-time price sequences, placing trades at moments of high prediction accuracy. Empirical results demonstrate that using autoencoders and convolution to filter and denoise financial data, combined with GANs, achieves a certain level of predictive performance, validating the capabilities of machine learning algorithms to discover underlying patterns in financial sequences. Keywords - CNN;GANs; Cryptocurrency; Prediction.
• Abstract（参考訳）: 本稿では、機械学習アルゴリズムを用いて財務時系列の予測と分析を行う。 プロセスは、主契約価格データからランダムなノイズ変動をフィルタリングするデノナイズオートエンコーダから始まる。 そして、一次元畳み込みによりフィルタリングデータの次元性を低減し、鍵情報を抽出する。 フィルタ及び寸法レデュースされた価格データをGANネットワークに入力し、その出力が完全に接続されたネットワークの入力として機能する。 クロスバリデーションを通じて、モデルは大きな価格変動に先行する特徴をキャプチャするために訓練される。 モデルは、リアルタイム価格シーケンスにおいて重要な価格変化の可能性と方向を予測し、高い予測精度の瞬間に取引を配置する。 実証的な結果は、オートエンコーダと畳み込みを使って金融データをフィルタリングし、GANと組み合わせることで、あるレベルの予測性能を実現し、機械学習アルゴリズムがファイナンシャルシーケンスの基盤となるパターンを発見する能力を検証していることを示している。 キーワード - CNN;GAN、暗号通貨、予測。

関連論文リスト

• Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models [0.5735035463793009]
  本稿では、カーネル動的モード分解(KDMD)を用いて、畳み込みオートエンコーダ(CAE)のエンコーダ部が生成する潜伏空間のダイナミクスを進化させる新しいディープラーニングフレームワークを提案する。 KDMD-decoder-extrapolated dataを元のデータセットに追加した後、この拡張データを用いてフィードフォワードディープニューラルネットワークと共にCAEをトレーニングする。 トレーニングされたネットワークは、トレーニング外のパラメータサンプルでトレーニング時間間隔外の将来の状態を予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:26:14Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• 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)
• Neural networks for insurance pricing with frequency and severity data: a benchmark study from data preprocessing to technical tariff [2.4578723416255754]
  本稿では,複数種類の入力機能が存在する場合に,頻度と重大度を目標とした4つの保険データ集合に関するベンチマーク研究を行う。 本稿では,2つの入力データに対する一般化線形モデル,勾配ブースト木モデル,フィードフォワードニューラルネットワーク(FFNN),複合アクチュエータニューラルネットワーク(CANN)の性能を詳細に比較する。
  論文  参考訳（メタデータ） (2023-10-19T12:00:33Z)
• PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
  プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。 次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
  論文  参考訳（メタデータ） (2023-03-31T18:03:53Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error (ERMSE): Deep Learning for Stock Price Movement Prediction [15.165487282631535]
  本稿では,予測精度を向上し,ジェネレーティブ・アドバイサル・ネットワークを用いて誤差損失の予測を最小化することを目的とする。 The Generative Adversarial Network (GAN) has well performed on the enhanced root mean square error to LSTM。
  論文  参考訳（メタデータ） (2021-11-30T18:38:59Z)
• 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)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News [7.578363431637128]
  本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。 ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。 完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
  論文  参考訳（メタデータ） (2020-07-23T15:25:37Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。