論文の概要: Advancing Exchange Rate Forecasting: Leveraging Machine Learning and AI for Enhanced Accuracy in Global Financial Markets

• arxiv url: http://arxiv.org/abs/2506.09851v1
• Date: Wed, 11 Jun 2025 15:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:03.094663
• Title: Advancing Exchange Rate Forecasting: Leveraging Machine Learning and AI for Enhanced Accuracy in Global Financial Markets
• Title（参考訳）: 為替レート予測の強化:グローバル金融市場の正確性向上に機械学習とAIを活用する
• Authors: Md. Yeasin Rahat, Rajan Das Gupta, Nur Raisa Rahman, Sudipto Roy Pritom, Samiur Rahman Shakir, Md Imrul Hasan Showmick, Md. Jakir Hossen,
• Abstract要約: この調査は、Yahoo Financeから引用した2018年から2023年までのUSD/BDTの為替レートデータを活用している。 LSTM(Long Short-Term Memory)ニューラルネットワークが採用され、99.449%の精度を実現している。 方向性予測にはグラディエント・ブースティング(GBC)が適用され、1万ドルの初期資本に対して40.82%の利益率を示すバックテストが行われた。 この研究は歴史的傾向を分析し、BDT/USDレートが0.012から0.009に低下していることを示し、正常化された日々のリターンを取り入れてボラティリティを捉えている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The prediction of foreign exchange rates, such as the US Dollar (USD) to Bangladeshi Taka (BDT), plays a pivotal role in global financial markets, influencing trade, investments, and economic stability. This study leverages historical USD/BDT exchange rate data from 2018 to 2023, sourced from Yahoo Finance, to develop advanced machine learning models for accurate forecasting. A Long Short-Term Memory (LSTM) neural network is employed, achieving an exceptional accuracy of 99.449%, a Root Mean Square Error (RMSE) of 0.9858, and a test loss of 0.8523, significantly outperforming traditional methods like ARIMA (RMSE 1.342). Additionally, a Gradient Boosting Classifier (GBC) is applied for directional prediction, with backtesting on a $10,000 initial capital revealing a 40.82% profitable trade rate, though resulting in a net loss of $20,653.25 over 49 trades. The study analyzes historical trends, showing a decline in BDT/USD rates from 0.012 to 0.009, and incorporates normalized daily returns to capture volatility. These findings highlight the potential of deep learning in forex forecasting, offering traders and policymakers robust tools to mitigate risks. Future work could integrate sentiment analysis and real-time economic indicators to further enhance model adaptability in volatile markets.
• Abstract（参考訳）: 米国ドル(USD)やバングラデシュ高(BDT)といった外国為替レートの予測は、貿易、投資、経済安定に影響を与える世界的な金融市場において重要な役割を担っている。 この研究は、Yahoo Financeから得られた2018年から2023年までのUSD/BDTの為替レートデータを利用して、正確な予測を行うための高度な機械学習モデルを開発する。 LSTM(Long Short-Term Memory)ニューラルネットワークが採用され、99.449%、Root Mean Square Error(RMSE)0.9858、テスト損失0.8523、ARIMA(RMSE 1.342)のような従来の手法を著しく上回っている。 さらに、グラディエント・ブースティング・クラシファイア(GBC)が方向予測に応用され、1万ドルの初期資本に対するバックテストでは40.82%の利益があるが、49の取引で20,653.25ドルが損失した。 この研究は歴史的傾向を分析し、BDT/USDレートが0.012から0.009に低下していることを示し、正常化された日々のリターンを取り入れてボラティリティを捉えている。 これらの調査結果は、フォレックス予測におけるディープラーニングの可能性を強調し、トレーダーや政策立案者がリスクを緩和するための堅牢なツールを提供する。 今後は、センチメント分析とリアルタイム経済指標を統合して、揮発性市場におけるモデル適応性をさらに強化していくだろう。

関連論文リスト

• Pursuing Top Growth with Novel Loss Function [0.5312311916594153]
  我々は、トップ成長を促進するリターン重み付き損失関数を導入することで、AIのポテンシャルとユーティリティをさらに強化することを目指している。 当社のベストモデルでは、2019年から2024年までの1340回のテスト日において、毎年1.18パーセントのシャープ比率で、毎日のリバランスで61.73%のリターンを達成しています。 また, 従来の損失関数よりも, いくつかの性能指標と統計的証拠により, 新たな損失関数の優位性を示す。
  論文  参考訳（メタデータ） (2025-02-20T21:43:51Z)
• Enhancing Exchange Rate Forecasting with Explainable Deep Learning Models [1.5474412217744966]
  伝統的な予測モデルは、交換レートデータの本質的な複雑さと非線形性に対処する際にしばしば混乱する。 本研究では,RSM/USD交換率の予測精度を高めるため,LSTM,CNN,トランスフォーマーベースアーキテクチャなどの高度なディープラーニングモデルの適用について検討する。
  論文  参考訳（メタデータ） (2024-10-25T01:29:54Z)
• Comparative Analysis of LSTM, GRU, and Transformer Models for Stock Price Prediction [0.9217021281095907]
  本稿では、AIによる株価トレンド予測を中核研究とする。 2015年から2024年にかけて、有名なTesla車のモデルトレーニングデータセットを作成し、LSTM、GRU、Transformer Modelsと比較した。 その結果,LSTMモデルの精度は94%であった。
  論文  参考訳（メタデータ） (2024-10-20T14:00:58Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• 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)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating [0.38073142980733]
  5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。 いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。 予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
  論文  参考訳（メタデータ） (2021-03-13T03:56:29Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

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。