論文の概要: Asset price movement prediction using empirical mode decomposition and Gaussian mixture models

• arxiv url: http://arxiv.org/abs/2503.20678v1
• Date: Wed, 26 Mar 2025 16:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:19:38.020864
• Title: Asset price movement prediction using empirical mode decomposition and Gaussian mixture models
• Title（参考訳）: 経験的モード分解とガウス混合モデルを用いた資産価格移動予測
• Authors: Gabriel R. Palma, Mariusz Skoczeń, Phil Maguire,
• Abstract要約: GameStop、Tesla、Rippleの市場では、5年、2年、1年のロウソクデータのサンプルを使っていました。 線形モデルおよびその他の古典的特徴に基づいて,次の時間の動きを予測するために,いくつかの特徴を収集した。 我々はランダムフォレスト(RF)やXGBoostなど、さまざまな機械学習モデルの性能を市場の動きの分類において評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We investigated the use of Empirical Mode Decomposition (EMD) combined with Gaussian Mixture Models (GMM), feature engineering and machine learning algorithms to optimize trading decisions. We used five, two, and one year samples of hourly candle data for GameStop, Tesla, and XRP (Ripple) markets respectively. Applying a 15 hour rolling window for each market, we collected several features based on a linear model and other classical features to predict the next hour's movement. Subsequently, a GMM filtering approach was used to identify clusters among these markets. For each cluster, we applied the EMD algorithm to extract high, medium, low and trend components from each feature collected. A simple thresholding algorithm was applied to classify market movements based on the percentage change in each market's close price. We then evaluated the performance of various machine learning models, including Random Forests (RF) and XGBoost, in classifying market movements. A naive random selection of trading decisions was used as a benchmark, which assumed equal probabilities for each outcome, and a temporal cross-validation approach was used to test models on 40%, 30%, and 20% of the dataset. Our results indicate that transforming selected features using EMD improves performance, particularly for ensemble learning algorithms like Random Forest and XGBoost, as measured by accumulated profit. Finally, GMM filtering expanded the range of learning algorithm and data source combinations that outperformed the top percentile of the random baseline.
• Abstract（参考訳）: 実験モード分解(EMD)とガウス混合モデル(GMM)、特徴工学および機械学習アルゴリズムを組み合わせた取引決定の最適化について検討した。 私たちはGameStop、Tesla、XRP(Ripple)市場でそれぞれ5年、2年、1年のロウソクデータのサンプルを使用しました。 各市場に15時間のロールウインドウを適用して、線形モデルやその他の古典的特徴に基づいて、次の時間の動きを予測するいくつかの機能を収集しました。 その後、これらの市場におけるクラスタを識別するためにGMMフィルタリング手法が用いられた。 各クラスタに対して,高,中,低,トレンド成分を抽出するためにEMDアルゴリズムを適用した。 マーケットのクローズド価格のパーセンテージ変化に基づいて市場の動きを分類するために,簡単なしきい値付けアルゴリズムを適用した。 次に、ランダムフォレスト(RF)やXGBoostなど、さまざまな機械学習モデルの性能評価を行い、市場の動きを分類した。 各結果に対して同等の確率を仮定したベンチマークとして,商取引決定の単純無作為なランダムな選択が用いられ,データセットの40%,30%,20%のモデルをテストするための時間的相互検証手法が用いられた。 以上の結果から,EMDを用いて選択した特徴を変換することで,特にランダムフォレストやXGBoostのようなアンサンブル学習アルゴリズムの性能が向上することが示唆された。 最後に、GMMフィルタリングは学習アルゴリズムとデータソースの組み合わせの範囲を拡大し、ランダムベースラインの上位パーセンタイルを上回った。

関連論文リスト

• Combining supervised and unsupervised learning methods to predict financial market movements [0.0]
  創発的で確立した金融市場から抽出した新たな特徴を同定する。 私たちは、Bitcoin、Pepecoin、Nasdaqの市場からのマイクロロウソクで構成される約6ヶ月のデータを使用しました。 我々は、市場の動きを分類するためにランダムフォレスト(RF)やK-Nearest Neighbours(KNN)など、さまざまな機械学習戦略の性能について検討した。
  論文  参考訳（メタデータ） (2024-08-19T13:17:36Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• A distribution-free mixed-integer optimization approach to hierarchical modelling of clustered and longitudinal data [0.0]
  我々は,新しいデータポイントに対するクラスタ効果を評価する革新的なアルゴリズムを導入し,このモデルのロバスト性や精度を高める。 このアプローチの推論的および予測的効果は、学生のスコアリングとタンパク質発現に適用することでさらに説明される。
  論文  参考訳（メタデータ） (2023-02-06T23:34:51Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Nowcasting the Financial Time Series with Streaming Data Analytics under Apache Spark [3.219821135628767]
  本稿では,Apache Sparkのストリーミング分析機能を用いて,高速な財務データセットを5分間隔でリアルタイムに放送することを提案する。 提案手法は,第1段階でカオスをモデル化し,次にスライディングウインドウを用いて機械学習アルゴリズムによる学習を行う。
  論文  参考訳（メタデータ） (2022-02-23T23:17:01Z)
• Comparative Study of Machine Learning Models for Stock Price Prediction [0.0]
  我々は、過去の株価に機械学習技術を適用し、将来の価格を予測する。 予測値と各株価の履歴値との誤差を計算して結果の定量化を行う。 この方法は、目標リターン率のポートフォリオ生成を自動化するために使用できる。
  論文  参考訳（メタデータ） (2022-01-31T17:16:27Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• An Adaptive EM Accelerator for Unsupervised Learning of Gaussian Mixture Models [0.7340845393655052]
  教師なし学習のための適応予測最大化(EM)アルゴリズムのためのAnderson Accelerationスキームを提案する。 提案アルゴリズムは、最適混合成分数を自律的に決定することができ、非加速バージョンよりもはるかに高速に最適解に収束する。
  論文  参考訳（メタデータ） (2020-09-26T22:55:44Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。