論文の概要: A Comprehensive Review: Applicability of Deep Neural Networks in Business Decision Making and Market Prediction Investment
- arxiv url: http://arxiv.org/abs/2502.00151v1
- Date: Fri, 31 Jan 2025 20:24:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:56:17.763662
- Title: A Comprehensive Review: Applicability of Deep Neural Networks in Business Decision Making and Market Prediction Investment
- Title(参考訳): 包括的レビュー:ビジネス意思決定と市場予測投資におけるディープニューラルネットワークの適用性
- Authors: Viet Trinh,
- Abstract要約: 本稿では, 深層ニューラルネットワークの経済ビジネスと投資における意思決定への応用について検討する。
この論文は、ディープニューラルネットワークが金融分類と予測において顕著に機能していることを証明している。
- 参考スコア(独自算出の注目度): 1.0878040851638
- License:
- Abstract: Big data, both in its structured and unstructured formats, have brought in unforeseen challenges in economics and business. How to organize, classify, and then analyze such data to obtain meaningful insights are the ever-going research topics for business leaders and academic researchers. This paper studies recent applications of deep neural networks in decision making in economical business and investment; especially in risk management, portfolio optimization, and algorithmic trading. Set aside limitation in data privacy and cross-market analysis, the article establishes that deep neural networks have performed remarkably in financial classification and prediction. Moreover, the study suggests that by compositing multiple neural networks, spanning different data type modalities, a more robust, efficient, and scalable financial prediction framework can be constructed.
- Abstract(参考訳): ビッグデータは、構造化され、構造化されていないフォーマットの両方において、経済とビジネスにおいて予期せぬ課題をもたらしている。
このようなデータを整理し、分類し、分析して意味のある洞察を得る方法は、ビジネスリーダーや学術研究者にとって、これからも続く研究トピックである。
本稿では、特にリスク管理、ポートフォリオ最適化、アルゴリズム取引における意思決定におけるディープニューラルネットワークの最近の応用について研究する。
データプライバシとクロスマーケット分析の制限とは別に、この記事では、ディープニューラルネットワークが金融分類と予測において著しくパフォーマンスしていることを証明している。
さらに、研究は、複数のニューラルネットワークを合成し、異なるデータ型モダリティにまたがることで、より堅牢で効率的でスケーラブルな金融予測フレームワークを構築することができることを示唆している。
関連論文リスト
- Analysis of Financial Risk Behavior Prediction Using Deep Learning and Big Data Algorithms [7.713045399751312]
本稿では,金融リスク予測のためのディープラーニングとビッグデータアルゴリズムの有効性と有効性について検討する。
ディープラーニングベースのビッグデータリスク予測フレームワークを設計し、実際の財務データセット上で実験的に検証する。
論文 参考訳(メタデータ) (2024-10-25T08:52:04Z) - Long Short-Term Memory Pattern Recognition in Currency Trading [0.0]
ワイコフフェイズ(Wyckoff Phases)は、リチャード・D・ワイコフが20世紀初頭に考案したフレームワークである。
本研究は、取引範囲と二次試験の段階を探求し、市場ダイナミクスを理解することの重要性を解明する。
この研究は、これらの相の複雑さを解き明かすことで、市場構造を通して流動性を生み出すことに光を当てている。
この研究は、金融分析とトレーディング戦略におけるAI駆動アプローチの変革の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-23T12:59:49Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - 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) - Recent Advances in Reinforcement Learning in Finance [3.0079490585515343]
データ量の増加による金融業界の急激な変化は、データ処理やデータ分析に関する技術に革命をもたらした。
強化学習(RL)による新たな発展は、大量の財務データをフル活用することができる。
論文 参考訳(メタデータ) (2021-12-08T19:55:26Z) - 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) - FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。
我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。
その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
論文 参考訳(メタデータ) (2021-09-01T00:08:14Z) - Neural Network-based Automatic Factor Construction [58.96870869237197]
本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。
NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。
NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
論文 参考訳(メタデータ) (2020-08-14T07:44:49Z) - Deep Learning Based on Generative Adversarial and Convolutional Neural
Networks for Financial Time Series Predictions [0.0]
本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。
Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
論文 参考訳(メタデータ) (2020-08-08T08:42:46Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳(メタデータ) (2020-03-31T16:47:20Z)
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。