論文の概要: Transformer Encoder and Multi-features Time2Vec for Financial Prediction
- arxiv url: http://arxiv.org/abs/2504.13801v1
- Date: Fri, 18 Apr 2025 17:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 14:46:27.312828
- Title: Transformer Encoder and Multi-features Time2Vec for Financial Prediction
- Title（参考訳）: 財務予測のためのトランスフォーマーエンコーダとマルチ機能Time2Vec
- Authors: Nguyen Kim Hai Bui, Nguyen Duy Chien, Péter Kovács, Gergő Bognár,
- Abstract要約: 我々は、Time2VecとTransformerモデルを統合することで、新しいニューラルネットワークアーキテクチャを開発する。
異なる市場の研究に基づいて,新たな相関特徴選択法を提案する。
提案手法は、位置符号化など、他の最先端の符号化手法よりも優れていると結論付けている。
- 参考スコア（独自算出の注目度）: 1.1399577852929503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial prediction is a complex and challenging task of time series analysis and signal processing, expected to model both short-term fluctuations and long-term temporal dependencies. Transformers have remarkable success mostly in natural language processing using attention mechanism, which also influenced the time series community. The ability to capture both short and long-range dependencies helps to understand the financial market and to recognize price patterns, leading to successful applications of Transformers in stock prediction. Although, the previous research predominantly focuses on individual features and singular predictions, that limits the model's ability to understand broader market trends. In reality, within sectors such as finance and technology, companies belonging to the same industry often exhibit correlated stock price movements. In this paper, we develop a novel neural network architecture by integrating Time2Vec with the Encoder of the Transformer model. Based on the study of different markets, we propose a novel correlation feature selection method. Through a comprehensive fine-tuning of multiple hyperparameters, we conduct a comparative analysis of our results against benchmark models. We conclude that our method outperforms other state-of-the-art encoding methods such as positional encoding, and we also conclude that selecting correlation features enhance the accuracy of predicting multiple stock prices.
- Abstract（参考訳）: 金融予測は時系列分析と信号処理の複雑な課題であり、短期的変動と長期的時間的依存の両方をモデル化することが期待される。
トランスフォーマーは、主に注意機構を用いた自然言語処理において顕著な成功を収めており、時系列コミュニティにも影響を与えた。
短距離と長距離の両方の依存関係をキャプチャできることは、金融市場を理解し、価格パターンを認識するのに役立つ。
従来の研究では、個々の特徴と特異な予測に主に焦点が当てられていたが、これはより広範な市場動向を理解する能力を制限するものである。
実際には、金融や技術などの分野において、同じ業界に属する企業は、しばしば株価の動きに相関している。
本稿では,TransformerモデルのエンコーダとTime2Vecを統合することで,新しいニューラルネットワークアーキテクチャを開発する。
異なる市場の研究に基づいて,新たな相関特徴選択法を提案する。
複数のハイパーパラメータを包括的に微調整することで、ベンチマークモデルに対して結果の比較分析を行う。
提案手法は,位置符号化などの他の最先端符号化手法よりも優れており,また,相関特性の選択により,複数株価の予測精度が向上することが結論された。
関連論文リスト
- An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。
このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。
金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
論文 参考訳（メタデータ） (2025-03-28T07:20:40Z) - Higher Order Transformers: Enhancing Stock Movement Prediction On Multimodal Time-Series Data [10.327160288730125]
我々は,高次変圧器の導入により,金融市場の株価変動を予測するという課題に取り組む。
我々は、自己保持機構とトランスフォーマーアーキテクチャを高次に拡張し、時間と変数の複雑な市場ダイナミクスを効果的に捉える。
本稿では,歴史的価格と関連するつぶやきからのマルチモーダル信号を利用して,技術的および基本的分析を統合するエンコーダ・デコーダモデルを提案する。
論文 参考訳（メタデータ） (2024-12-13T20:26:35Z) - STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。
双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。
ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
論文 参考訳（メタデータ） (2024-12-12T17:15:49Z) - Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。
ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。
実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-11-23T04:33:47Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳（メタデータ） (2023-05-20T05:16:31Z) - Financial Time Series Forecasting using CNN and Transformer [16.57996422431636]
本稿では,CNN と Transformer のパワーを活用し,時系列内の短期的および長期的依存関係をモデル化する。
本実験では, 統計的・深層学習法と比較し, 提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2023-04-11T00:56:57Z) - 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) - 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) - 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) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。