Fugu-MT 論文翻訳(概要): Forecasting Nigerian Equity Stock Returns Using Long Short-Term Memory Technique

論文の概要: Forecasting Nigerian Equity Stock Returns Using Long Short-Term Memory Technique

arxiv url: http://arxiv.org/abs/2507.01964v1
Date: Tue, 27 May 2025 11:34:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-07 02:47:44.442008
Title: Forecasting Nigerian Equity Stock Returns Using Long Short-Term Memory Technique
Title（参考訳）: 長期記憶技術を用いたナイジェリア株の予測
Authors: Adebola K. Ojo, Ifechukwude Jude Okafor,
Abstract要約: 株価のリターン予測は投資家の信頼を高める可能性があるが、依然として難しい課題だ。この問題に対処するために,Long Short-term Memory(LSTM)モデルを用いて,将来の株式市場の動きを予測する研究を行った。このモデルは、パフォーマンス指標を用いて評価され、人工ニューラルネットワークや畳み込みニューラルネットワーク(CNN)のような他のディープラーニングモデルと比較された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Investors and stock market analysts face major challenges in predicting stock returns and making wise investment decisions. The predictability of equity stock returns can boost investor confidence, but it remains a difficult task. To address this issue, a study was conducted using a Long Short-term Memory (LSTM) model to predict future stock market movements. The study used a historical dataset from the Nigerian Stock Exchange (NSE), which was cleaned and normalized to design the LSTM model. The model was evaluated using performance metrics and compared with other deep learning models like Artificial and Convolutional Neural Networks (CNN). The experimental results showed that the LSTM model can predict future stock market prices and returns with over 90% accuracy when trained with a reliable dataset. The study concludes that LSTM models can be useful in predicting financial time-series-related problems if well-trained. Future studies should explore combining LSTM models with other deep learning techniques like CNN to create hybrid models that mitigate the risks associated with relying on a single model for future equity stock predictions.
Abstract（参考訳）: 投資家や株式市場アナリストは、リターンの予測や賢明な投資決定に大きな課題に直面している。株式相場のリターン予測は投資家の信頼を高める可能性があるが、依然として難しい課題だ。この問題に対処するため,Long Short-term Memory(LSTM)モデルを用いて,将来の株式市場の動きを予測する研究を行った。この研究はナイジェリア証券取引所(NSE)の歴史的データセットを使用しており、LSTMモデルの設計のために浄化され正常化された。このモデルは、パフォーマンスメトリクスを使用して評価され、Artificial and Convolutional Neural Networks (CNN)のような他のディープラーニングモデルと比較された。実験の結果,LSTMモデルは将来の株式市場価格を予測でき,信頼性のあるデータセットでトレーニングすると90%以上の精度で返品できることがわかった。この研究は、LSTMモデルは、十分に訓練された場合の金融時系列関連問題を予測するのに有用である、と結論付けている。将来の研究は、LSTMモデルとCNNのような他のディープラーニング技術を組み合わせることで、将来の株価予測に単一モデルに依存するリスクを軽減するハイブリッドモデルを作成することを検討する。

関連論文リスト

Forecasting S&P 500 Using LSTM Models [0.0]
本報告では,S&P500指数の予測におけるARIMAモデルとLSTMモデルの比較を行った。平均絶対誤差(MAE)とルート平均正方形誤差(RMSE)を用いてこれらのモデルを評価する。 LSTMモデルはシーケンシャルな処理能力を利用して、369.32のMAE、412.84のRMSE、92.6%の精度でARIMAを上回った。
論文参考訳（メタデータ） (2025-01-29T01:31:56Z)
CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction [28.15955243872829]
本稿では,マンバをベースとした新しいステートスペースモデル(SSM)アーキテクチャであるCryptoMambaを提案する。我々の実験は、CryptoMambaがより正確な予測を提供するだけでなく、異なる市場条件における一般化性も向上していることを示している。我々の調査結果は、株式や暗号通貨の価格予測タスクにおいて、SSMにとって大きな優位性を示している。
論文参考訳（メタデータ） (2025-01-02T02:16:56Z)
Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
論文参考訳（メタデータ） (2024-09-29T11:20:20Z)
An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
論文参考訳（メタデータ） (2024-08-22T13:58:55Z)
ResNLS: An Improved Model for Stock Price Forecasting [1.0712226955584796]
我々は、隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。提案するモデルであるResNLSは、主にResNetとLSTMの2つのニューラルアーキテクチャで構成されている。実験の結果,過去5日間の終値データを入力として使用する場合,モデルの性能(ResNLS-5)は他の入力と比較して最適であることが判明した。
論文参考訳（メタデータ） (2023-12-02T03:55:37Z)
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)
Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文参考訳（メタデータ） (2023-04-15T19:22:37Z)
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)
Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文参考訳（メタデータ） (2022-01-20T15:17:26Z)
Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文参考訳（メタデータ） (2020-06-08T23:37:47Z)
A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting [26.834110647177965]
バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。 Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
論文参考訳（メタデータ） (2020-01-23T05:13:36Z)

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。