論文の概要: Gold Price Prediction Using Long Short-Term Memory and Multi-Layer Perceptron with Gray Wolf Optimizer

• arxiv url: http://arxiv.org/abs/2512.22606v1
• Date: Sat, 27 Dec 2025 14:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.133615
• Title: Gold Price Prediction Using Long Short-Term Memory and Multi-Layer Perceptron with Gray Wolf Optimizer
• Title（参考訳）: 長時間記憶とグレーウルフ最適化を用いた多層パーセプトロンによる金価格予測
• Authors: Hesam Taghipour, Alireza Rezaee, Farshid Hajati,
• Abstract要約: 生市場取引のための貿易戦略が開発され、提案されたモデルは3ヶ月で171%のリターンを得た。 提案したLSTM-MLPモデルでは,平均絶対誤差(MAE)が0.21ドル,翌月価格が22.23ドルであった。
• 参考スコア（独自算出の注目度）: 1.3884247760916029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The global gold market, by its fundamentals, has long been home to many financial institutions, banks, governments, funds, and micro-investors. Due to the inherent complexity and relationship between important economic and political components, accurate forecasting of financial markets has always been challenging. Therefore, providing a model that can accurately predict the future of the markets is very important and will be of great benefit to their developers. In this paper, an artificial intelligence-based algorithm for daily and monthly gold forecasting is presented. Two Long short-term memory (LSTM) networks are responsible for daily and monthly forecasting, the results of which are integrated into a Multilayer perceptrons (MLP) network and provide the final forecast of the next day prices. The algorithm forecasts the highest, lowest, and closing prices on the daily and monthly time frame. Based on these forecasts, a trading strategy for live market trading was developed, according to which the proposed model had a return of 171% in three months. Also, the number of internal neurons in each network is optimized by the Gray Wolf optimization (GWO) algorithm based on the least RMSE error. The dataset was collected between 2010 and 2021 and includes data on macroeconomic, energy markets, stocks, and currency status of developed countries. Our proposed LSTM-MLP model predicted the daily closing price of gold with the Mean absolute error (MAE) of $ 0.21 and the next month's price with $ 22.23.
• Abstract（参考訳）: 世界の金市場は、その基礎によって、長い間多くの金融機関、銀行、政府、ファンド、マイクロ投資者が住んでいた。 経済と政治の重要な要素の複雑さと関係性から、金融市場の正確な予測は常に困難である。 したがって、市場の将来を正確に予測できるモデルを提供することは非常に重要であり、開発者にとって大きな利益となるでしょう。 本稿では,日毎および月毎のゴールド予測のための人工知能に基づくアルゴリズムを提案する。 2つのLong Short-term memory(LSTM)ネットワークは、日毎および月毎の予測に責任を持ち、その結果をMultilayer Perceptrons(MLP)ネットワークに統合し、翌日の価格の最終的な予測を提供する。 このアルゴリズムは、日と月の時間枠で最高、最低、そして閉ざされた価格を予測する。 これらの予測に基づき、生市場取引のための貿易戦略が開発され、提案モデルでは3ヶ月で171%のリターンが得られた。 また、各ネットワークの内部ニューロン数は最小RMSE誤差に基づくグレー・ウルフ最適化(GWO)アルゴリズムによって最適化される。 このデータセットは2010年から2021年にかけて収集され、先進国のマクロ経済、エネルギー市場、株式、通貨状態に関するデータを含んでいる。 提案したLSTM-MLPモデルでは,平均絶対誤差(MAE)が0.21ドル,翌月価格が22.23ドルであった。

関連論文リスト

• A Hybrid Model for Stock Market Forecasting: Integrating News Sentiment and Time Series Data with Graph Neural Networks [0.0]
  本稿では,企業のニュース記事と過去の株価データを統合して予測性能を向上させるマルチモーダルアプローチについて検討する。 米国株とブルームバーグのデータセットの実験は、GNNがLSTMベースラインを上回っていることを示している。 見出しには全記事よりも強い予測信号が含まれており、簡潔なニュース要約が短期市場反応において重要な役割を果たすことを示唆している。
  論文  参考訳（メタデータ） (2025-12-09T13:05:54Z)
• StockBench: Can LLM Agents Trade Stocks Profitably In Real-world Markets? [44.10622904101254]
  大規模言語モデル(LLM)は、最近、自律エージェントとして強力な能力を示した。 実時間複数ヶ月の株式トレーディング環境でLLMエージェントを評価するためのベンチマークであるStockBenchを紹介する。 我々の評価では、ほとんどのLLMエージェントは、単純な買い買い得ベースラインよりも優れているが、いくつかのモデルでは、より高いリターンをもたらし、より効果的にリスクを管理する可能性を実証している。
  論文  参考訳（メタデータ） (2025-10-02T16:54:57Z)
• FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics [3.6423651166048874]
  本稿では,双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとFinBERTを併用して,暗号通貨の予測精度を向上させるハイブリッドモデルを提案する。 このアプローチは、先進的な時系列モデルと感情分析を組み合わせることで、不安定な金融市場の予測において重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-11-02T14:43:06Z)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Ploutos: Towards interpretable stock movement prediction with financial large language model [43.51934592920784]
  PloutosはPloutosGenとPloutosGPTで構成される新しい金融フレームワークである。 PloutosGenには、テキストや数値など、さまざまなモーダルデータを分析し、異なる観点から定量的戦略を提供する、複数の主要な専門家が含まれている。 PloutosGPTのトレーニング戦略は、GPT-4を誘導して合理性を生成するリアビューミラープロンプト機構と、LLMを微調整するための動的トークン重み付け機構を活用する。
  論文  参考訳（メタデータ） (2024-02-18T10:28:18Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis [0.0]
  市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。 私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
  論文  参考訳（メタデータ） (2022-11-11T15:13:16Z)
• Univariate and Multivariate LSTM Model for Short-Term Stock Market Prediction [1.6114012813668934]
  本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。 10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
  論文  参考訳（メタデータ） (2022-05-08T07:01:12Z)
• 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)

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。