論文の概要: Stock Market Price Prediction using Neural Prophet with Deep Neural Network

• arxiv url: http://arxiv.org/abs/2601.05202v1
• Date: Thu, 08 Jan 2026 18:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.334668
• Title: Stock Market Price Prediction using Neural Prophet with Deep Neural Network
• Title（参考訳）: 深部ニューラルネットワークを用いたニューラル預言を用いた株価予測
• Authors: Navin Chhibber, Suneel Khemka, Navneet Kumar Tyagi, Rohit Tewari, Bireswar Banerjee, Piyush Ranjan,
• Abstract要約: The Neural Prophet with a Deep Neural Network (NP-DNN) is proposed to predict Stock market price。 提案されたNP-DNNモデルは、他のアプローチと比較して99.21%の精度を達成した。
• 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: Stock market price prediction is a significant interdisciplinary research domain that depends at the intersection of finance, statistics, and economics. Forecasting Accurately predicting stock prices has always been a focal point for various researchers. However, existing statistical approaches for time-series prediction often fail to effectively forecast the probability range of future stock prices. Hence, to solve this problem, the Neural Prophet with a Deep Neural Network (NP-DNN) is proposed to predict stock market prices. The preprocessing technique used in this research is Z-score normalization, which normalizes stock price data by removing scale differences, making patterns easier to detect. Missing value imputation fills gaps in historical data, enhancing the models use of complete information for more accurate predictions. The Multi-Layer Perceptron (MLP) learns complex nonlinear relationships among stock market prices and extracts hidden patterns from the input data, thereby creating meaningful feature representations for better prediction accuracy. The proposed NP-DNN model achieved an accuracy of 99.21% compared with other approaches using the Fused Large Language Model. Keywords: deep neural network, forecasting stock prices, multi-layer perceptron, neural prophet, stock market price prediction.
• Abstract（参考訳）: 株式市場の価格予測は、金融、統計、経済学の交差点に依存する重要な学際研究領域である。 予測 正確な株価予測は、さまざまな研究者にとって常に焦点となっている。 しかし、時系列予測の既存の統計的アプローチは、しばしば将来の株価の確率範囲を効果的に予測できない。 そこで,この問題を解決するために,ディープニューラルネットワークを用いたニューラル預言法(NP-DNN)を提案する。 この研究で使用される前処理技術はZスコア正規化であり、スケール差を除去して株価データを正規化し、パターンの検出を容易にする。 値計算の欠如は、過去のデータのギャップを埋め、より正確な予測のために完全な情報を使用するモデルを強化する。 MLP(Multi-Layer Perceptron)は、株式市場価格間の複雑な非線形関係を学習し、入力データから隠れパターンを抽出し、意味のある特徴表現を生成し、予測精度を向上させる。 提案したNP-DNNモデルは、Fused Large Language Modelを用いた他のアプローチと比較して99.21%の精度を達成した。 キーワード:ディープニューラルネットワーク、株価予測、多層パーセプトロン、ニューラル預言、株価予測。

関連論文リスト

• GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
  我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。 実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
  論文  参考訳（メタデータ） (2024-07-04T09:14:24Z)
• Indian Stock Market Prediction using Augmented Financial Intelligence ML [0.0]
  本稿では,Superforecasters予測を付加した機械学習アルゴリズムを用いた価格予測モデルを提案する。 これらのモデルは平均絶対誤差を用いて予測精度を決定する。 主な目標は、予測不可能な変化や株価の変化を予想するスーパープレキャストの特定と予測の追跡である。
  論文  参考訳（メタデータ） (2024-07-02T12:58:50Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
  本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。 自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
  論文  参考訳（メタデータ） (2024-02-08T16:45:01Z)
• 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)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• 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)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。 我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
  論文  参考訳（メタデータ） (2020-11-07T16:07:10Z)
• Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測のための深層学習モデルについて述べる。 インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を利用する。 我々の提案には、畳み込みニューラルネットワーク上に構築された2つの回帰モデルと、3つの長期記憶ネットワークに基づく予測モデルが含まれる。
  論文  参考訳（メタデータ） (2020-10-22T03:09:07Z)

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。