文献

J-GLOBAL ID：202302247657252915   整理番号：23A0600532

時系列予測モデルと双方向LSTMモデルを組み合わせたハイブリッドモデルによるヒストリカルボラティリティの予測

著者 (2件)： 大島健斗 (早稲田大) ,  蓮池隆 (早稲田大)
資料名： 日本経営工学会秋季大会予稿集(Web)  (日本経営工学会秋季大会講演プログラム及び予稿集(Web))
巻： 2022  ページ： 298-299 (WEB ONLY)  発行年： 2022年 
JST資料番号： U1709A  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・従来の時系列予測モデルと機械学習における時系列予測モデルである双方向LSTMを組み合わせたハイブリッドモデルを提案し,株価データのヒストリカルボラティリティを予測。
・本研究で用いた,9つの時系列予測モデルと1つの機械学習モデルについて説明し,比較対象として,時系列予測モデルはGARCHモデル,機械学習モデルは双方向LSTMモデルによる分析結果を提示。
・分類結果から,提案モデルのRMSEの精度が高いことが確認できたが,GARCHモデル,双方向LSTMモデルは期間が大きくなるにつれて,RMSEが小さくなる一方で,提案モデルでは大きくなることが判明。

シソーラス用語： 株式市場 ,  価格 ,  *予測モデル ,  *機械学習 ,  ニューラルネットワーク ,  自己回帰モデル ,  学習モデル ,  誤差 ,  株価予測 ,  *株価 ,  *時系列予測 ,  *ハイブリッドモデル ,  *rms誤差 ,  *モデル
準シソーラス用語： *LSTM ,  GARCHモデル ,  *RMSE【誤差】 ,  *ボラティリティ予測

分類 (2件)： 利益管理  (KA05030A) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 時系列予測 ,  モデル ,  双方向 ,  LSTM ,  ハイブリッドモデル ,  予測