論文の概要: Adaptive Weighted Genetic Algorithm-Optimized SVR for Robust Long-Term Forecasting of Global Stock Indices for investment decisions
- arxiv url: http://arxiv.org/abs/2512.15113v1
- Date: Wed, 17 Dec 2025 06:08:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:26.871133
- Title: Adaptive Weighted Genetic Algorithm-Optimized SVR for Robust Long-Term Forecasting of Global Stock Indices for investment decisions
- Title（参考訳）: 適応重み付き遺伝的アルゴリズム最適化SVRによる投資決定のためのグローバル指標の長期予測
- Authors: Mohit Beniwal,
- Abstract要約: 改良された遺伝的アルゴリズム最適化サポートベクター回帰(IGA-SVR)モデルは,グローバルインデックスの長期的価格予測のために特別に設計されている。
Nifty, Dow Jones Industrial Average (DJI), DAX Performance Index (DAX), Nikkei 225 (N225) and Shanghai Stock Exchange Composite Index (SSE) の5つのグローバル指標について総合的な試験を行った。
- 参考スコア（独自算出の注目度）: 0.5076419064097734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term price forecasting remains a formidable challenge due to the inherent uncertainty over the long term, despite some success in short-term predictions. Nonetheless, accurate long-term forecasts are essential for high-net-worth individuals, institutional investors, and traders. The proposed improved genetic algorithm-optimized support vector regression (IGA-SVR) model is specifically designed for long-term price prediction of global indices. The performance of the IGA-SVR model is rigorously evaluated and compared against the state-of-the-art baseline models, the Long Short-Term Memory (LSTM), and the forward-validating genetic algorithm optimized support vector regression (OGA-SVR). Extensive testing was conducted on the five global indices, namely Nifty, Dow Jones Industrial Average (DJI), DAX Performance Index (DAX), Nikkei 225 (N225), and Shanghai Stock Exchange Composite Index (SSE) from 2021 to 2024 of daily price prediction up to a year. Overall, the proposed IGA-SVR model achieved a reduction in MAPE by 19.87% compared to LSTM and 50.03% compared to OGA-SVR, demonstrating its superior performance in long-term daily price forecasting of global indices. Further, the execution time for LSTM was approximately 20 times higher than that of IGA-SVR, highlighting the high accuracy and computational efficiency of the proposed model. The genetic algorithm selects the optimal hyperparameters of SVR by minimizing the arithmetic mean of the Mean Absolute Percentage Error (MAPE) calculated over the full training dataset and the most recent five years of training data. This purposefully designed training methodology adjusts for recent trends while retaining long-term trend information, thereby offering enhanced generalization compared to the LSTM and rolling-forward validation approach employed by OGA-SVR, which forgets long-term trends and suffers from recency bias.
- Abstract（参考訳）: 短期的な予測の成功にもかかわらず、長期にわたる固有の不確実性のため、長期的な価格予測は依然として深刻な課題である。
それでも、正確な長期予測は、高価値の個人、機関投資家、トレーダーにとって不可欠である。
改良された遺伝的アルゴリズム最適化サポートベクター回帰(IGA-SVR)モデルは,グローバルインデックスの長期的価格予測のために特別に設計されている。
IGA-SVRモデルの性能は、最先端のベースラインモデル、Long Short-Term Memory (LSTM)、および前方検証型遺伝的アルゴリズムによるベクトル回帰(OGA-SVR)と比較して厳格に評価され、比較される。
日銀、ダックス、日経225(N225)、上海証券取引所総合指数(SSE)の5つの世界的な指標(日銀、ダックス平均、ダックスパフォーマンス指数(DAX)を2021年から2024年にかけて実施した。
全体として、提案されたIGA-SVRモデルでは、LSTMと比較してMAPEが19.87%減少し、OGA-SVRよりも50.03%低下した。
さらに,LSTMの実行時間はIGA-SVRの約20倍であり,提案モデルの精度と計算効率が向上した。
遺伝的アルゴリズムは、全トレーニングデータセットと最新の5年間のトレーニングデータから算出された平均絶対パーセンテージ誤差(MAPE)の算術平均を最小化することにより、SVRの最適ハイパーパラメータを選択する。
本手法は,長期的傾向情報を保持しつつ,最近の傾向を調整し,長期的傾向を忘れ,再発バイアスに悩まされるOGA-SVRのLSTMやローリングフォワードバリデーションアプローチと比較して,一般化の促進を図る。
関連論文リスト
- Stochastic Volatility Modelling with LSTM Networks: A Hybrid Approach for S&P 500 Index Volatility Forecasting [0.0]
本研究では、ボラティリティモデルとLong Short Term Memory Neural Networkを統合したハイブリッドモデリングフレームワークを提案する。
SVモデルは統計的精度を向上し、特に予期せぬ事象に対する潜在ボラティリティのダイナミクスを捉える。
LSTMネットワークは、金融時系列における複雑な非線形パターンを検出するモデルの能力を高める。
論文 参考訳（メタデータ） (2025-12-13T09:21:43Z) - Improving S&P 500 Volatility Forecasting through Regime-Switching Methods [0.0]
我々は,S&P500のボラティリティの予測を改善するために,多種多様な制度変更手法を提案する。
予測精度を高めるため、歴史的ダイナミクスと先進的な市場感情の両方を捉える機能を開発した。
論文 参考訳（メタデータ） (2025-09-21T19:40:47Z) - A Simplified Analysis of SGD for Linear Regression with Weight Averaging [64.2393952273612]
最近の研究は、定常学習率を用いた線形回帰におけるSGD最適化のためのシャープレートを提供する。
簡単な線形代数ツールを用いて,2021ベニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグナグニグニグニグニグニグニグニグニグニグニグネグニグニグニグニグネグニグニグネグニ
我々の研究は線形回帰の勾配勾配を非常に容易に解析し、ミニバッチと学習率のスケジューリングのさらなる分析に役立てることができると信じている。
論文 参考訳（メタデータ） (2025-06-18T15:10:38Z) - Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - 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) - Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。
8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文 参考訳（メタデータ） (2024-06-02T06:39:01Z) - Time Series Stock Price Forecasting Based on Genetic Algorithm (GA)-Long Short-Term Memory Network (LSTM) Optimization [0.0]
遺伝的アルゴリズム(GA)とLong Short-Term Memory Network(LSTM)に基づく時系列アルゴリズムを用いて、株価を効果的に予測する。
その結果,GA-Long Short-Term Memory Network (LSTM) に基づく時系列アルゴリズムは,株価を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2024-05-06T04:04:27Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - 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) - 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)
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。