論文の概要: Regression and Forecasting of U.S. Stock Returns Based on LSTM

• arxiv url: http://arxiv.org/abs/2502.05210v1
• Date: Mon, 03 Feb 2025 19:26:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-16 04:07:11.252144
• Title: Regression and Forecasting of U.S. Stock Returns Based on LSTM
• Title（参考訳）: LSTMに基づく米国株のレグレッションと予測
• Authors: Shicheng Zhou, Zizhou Zhang, Rong Zhang, Yuchen Yin, Chia Hong Chang, Qinyan Shen,
• Abstract要約: 本稿では、米国株式市場における3つの株式セクター、Manuf、Hitec、およびその他の投資リターンについて分析する。 ファマ・フレンチの3要素モデル、カーハートの4要素モデル、ファマ・フレンチの5要素モデルに基づいている。
• 参考スコア（独自算出の注目度）: 3.0680936214139245
• License:
• Abstract: This paper analyses the investment returns of three stock sectors, Manuf, Hitec, and Other, in the U.S. stock market, based on the Fama-French three-factor model, the Carhart four-factor model, and the Fama-French five-factor model, in order to test the validity of the Fama-French three-factor model, the Carhart four-factor model, and the Fama-French five-factor model for the three sectors of the market. French five-factor model for the three sectors of the market. Also, the LSTM model is used to explore the additional factors affecting stock returns. The empirical results show that the Fama-French five-factor model has better validity for the three segments of the market under study, and the LSTM model has the ability to capture the factors affecting the returns of certain industries, and can better regress and predict the stock returns of the relevant industries. Keywords- Fama-French model; Carhart model; Factor model; LSTM model.
• Abstract（参考訳）: 本稿では、Fama-French 3-factorモデル、Carhart 4-factorモデル、Fama-French 5-factorモデルに基づいて、米国株式市場におけるManuf, Hitec, and Otherの投資リターンを分析し、Fama-French 3-factorモデル、Carhart 4-factorモデル、Fama-French 5-factorモデルの有効性を検証する。 フランスの3つのセクターの5要素モデル。 また、LSTMモデルを用いて、ストックリターンに影響を与える追加の要因を探索する。 実証実験の結果、Fama-Frenchの5要素モデルは、調査中の市場の3つのセグメントに対して、より有効であることが示され、LSTMモデルは、特定の産業のリターンに影響を与える要因を把握でき、関連する産業のストックリターンを改善・予測できる。 キーワード-Fama- French model; Carhart model; Factor model; LSTM model

関連論文リスト

• REEF: Representation Encoding Fingerprints for Large Language Models [53.679712605506715]
  REEFは、被疑者モデルと被害者モデルの表現との中心となるカーネルアライメントの類似性を計算し、比較する。 このトレーニング不要のREEFは、モデルの一般的な能力を損なうことなく、シーケンシャルな微調整、プルーニング、モデルマージ、置換に堅牢である。
  論文  参考訳（メタデータ） (2024-10-18T08:27:02Z)
• Exploring Model Kinship for Merging Large Language Models [52.01652098827454]
  本稿では,大規模言語モデル間の類似性や関連性の程度であるモデル親和性を紹介する。 モデル統合後の性能向上とモデル親和性の間には,一定の関係があることが判明した。 我々は新しいモデルマージ戦略を提案する。Top-k Greedy Merging with Model Kinship。
  論文  参考訳（メタデータ） (2024-10-16T14:29:29Z)
• Revisiting Catastrophic Forgetting in Large Language Model Tuning [79.70722658190097]
  Catastrophic Forgetting (CF) は、新しいデータを学ぶ際に獲得した知識を忘れるモデルを意味する。 本稿では,モデル損失景観の平坦度と大規模言語モデルの分野におけるCFの広さとの直接的な関係を明らかにするための第一歩を踏み出した。 様々なモデルスケールにまたがる3つの大規模微調整データセットの実験により,CFを緩和する手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-07T11:09:13Z)
• RVRAE: A Dynamic Factor Model Based on Variational Recurrent Autoencoder for Stock Returns Prediction [5.281288833470249]
  RVRAEは、市場データの時間的依存関係とノイズに対処する確率論的アプローチである。 揮発性株式市場のリスクモデリングに長けており、潜在空間分布からのばらつきを推定し、リターンを予測する。
  論文  参考訳（メタデータ） (2024-03-04T21:48:32Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Stock Volatility Prediction using Time Series and Deep Learning Approach [0.0]
  本稿では,GARCH,Glosten-Jagannathan-GARCH,Exponential General Autoregressive Conditional heteroskedastic(EGARCH),LSTMフレームワークに依存する複数のボラティリティモデルを提案する。 これまで検討されてきた分野は、銀行、情報技術(IT)、製薬である。
  論文  参考訳（メタデータ） (2022-10-05T10:03:32Z)
• Two-Stage Sector Rotation Methodology Using Machine Learning and Deep Learning Techniques [0.0]
  市場指標とランキングセクターを用いて各セクターのETF価格を予測する2段階の手法を提案する。 実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-08-05T20:32:59Z)
• Time-Invariance Coefficients Tests with the Adaptive Multi-Factor Model [0.0]
  適応多要素モデル(AMF)とFama-French 5-factorモデル(FF5)を比較した。 6年以内のほぼ全ての期間において,ベータ係数はAMFモデルに時間不変であることを示す。 これは、ローリングウィンドウ(例えば5年)を持つAMFモデルは、FF5モデルよりも実現されたアセットリターンとより整合していることを意味する。
  論文  参考訳（メタデータ） (2020-11-09T03:41:02Z)
• The Low-volatility Anomaly and the Adaptive Multi-Factor Model [0.0]
  本稿は,低ボラティリティ異常の新しい説明を提供する。 我々は,GIBSアルゴリズムによって推定される適応多要素モデルを用いて,低ボラティリティポートフォリオと高ボラティリティポートフォリオに大きく関係する基底資産を求める。
  論文  参考訳（メタデータ） (2020-03-16T20:08:31Z)

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。