論文の概要: Integration of LSTM Networks in Random Forest Algorithms for Stock Market Trading Predictions

• arxiv url: http://arxiv.org/abs/2512.02036v1
• Date: Thu, 20 Nov 2025 18:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.425047
• Title: Integration of LSTM Networks in Random Forest Algorithms for Stock Market Trading Predictions
• Title（参考訳）: 株式取引予測のためのランダムフォレストアルゴリズムにおけるLSTMネットワークの統合
• Authors: Juan C. King, Jose M. Amigo,
• Abstract要約: 本稿では,経験的に検証された統計的優位性を用いて,株式市場のトレーディングアルゴリズムを定式化することを目的とする。 提案手法では,Long Short-Term Memory (LSTM) ネットワークをランダムフォレストやグラディエントブースティングなどの決定木に基づくアルゴリズムと統合する。 国際企業のデータによるアルゴリズム取引の数値シミュレーションと10週間の予測は、基本変数と技術的変数の両方に基づくアプローチが、通常のアプローチより優れていることを証明している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aim of this paper is the analysis and selection of stock trading systems that combine different models with data of different nature, such as financial and microeconomic information. Specifically, based on previous work by the authors and applying advanced techniques of Machine Learning and Deep Learning, our objective is to formulate trading algorithms for the stock market with empirically tested statistical advantages, thus improving results published in the literature. Our approach integrates Long Short-Term Memory (LSTM) networks with algorithms based on decision trees, such as Random Forest and Gradient Boosting. While the former analyze price patterns of financial assets, the latter are fed with economic data of companies. Numerical simulations of algorithmic trading with data from international companies and 10-weekday predictions confirm that an approach based on both fundamental and technical variables can outperform the usual approaches, which do not combine those two types of variables. In doing so, Random Forest turned out to be the best performer among the decision trees. We also discuss how the prediction performance of such a hybrid approach can be boosted by selecting the technical variables.
• Abstract（参考訳）: 本研究の目的は、金融情報やミクロ経済情報など、さまざまなモデルと異なる性質のデータを組み合わせた株式取引システムの分析と選定である。 具体的には、筆者らによる以前の研究と機械学習とディープラーニングの高度な技術の適用に基づいて、実証的に検証された統計的優位性で株式市場のトレーディングアルゴリズムを定式化し、文献で発表された結果を改善することを目的とする。 提案手法では,Long Short-Term Memory (LSTM) ネットワークをランダムフォレストやグラディエントブースティングなどの決定木に基づくアルゴリズムと統合する。 前者は金融資産の価格パターンを分析する一方、後者は企業の経済データで供給される。 国際企業のデータによるアルゴリズム取引の数値シミュレーションと10週間の予測は、基本変数と技術変数の両方に基づくアプローチが、これらの2種類の変数を組み合わせない通常のアプローチより優れていることを証明している。 その結果、ランダムフォレストは決定木の中で最高のパフォーマーであることが判明した。 また,このようなハイブリッド手法の予測性能を,技術変数の選択によって向上させる方法について検討する。

関連論文リスト

• Enhancing Forex Forecasting Accuracy: The Impact of Hybrid Variable Sets in Cognitive Algorithmic Trading Systems [0.0]
  本稿では,EUR-USD対に特化して設計された,高度な人工知能に基づくアルゴリズム取引システムの実装について述べる。 方法論的アプローチは、入力機能の総合的なセットを統合することに集中する。 得られたアルゴリズムの性能は、標準的な機械学習メトリクスを用いて評価する。
  論文  参考訳（メタデータ） (2025-11-20T18:58:22Z)
• 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)
• A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data [0.0]
  本研究は、インサイダー取引情報による株価の予測を行う機械学習アルゴリズムを実験的に検討する。 本研究では、決定木、ランダムフォレスト、異なるカーネルを持つサポートベクターマシン(SVM)、K平均クラスタリングなどのアルゴリズムの有効性について検討する。 本研究の目的は、金融アナリストや投資家が投資戦略を最適化する強力なアルゴリズムを選択するのを支援することである。
  論文  参考訳（メタデータ） (2025-02-12T19:03:09Z)
• Cross-border Commodity Pricing Strategy Optimization via Mixed Neural Network for Time Series Analysis [46.26988706979189]
  クロスボーダー商品の価格設定は、企業の競争力と市場シェアを決定する。 時系列データは商品価格において非常に重要であり、市場のダイナミクスやトレンドを明らかにすることができる。 本稿では,ハイブリッドニューラルネットワークモデルCNN-BiGRU-SSAに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T03:59:52Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• 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)
• Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques [0.0]
  リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。 事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。 本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-08-05T21:26:45Z)

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。