文献

J-GLOBAL ID：202002225572423090   整理番号：20A2083908

注意機構に基づく金融ビッグデータストック傾向の予測【JST・京大機械翻訳】

Prediction of Financial Big Data Stock Trends Based on Attention Mechanism

著者 (4件)： Chen Jiannan (Beijing University of Posts and Telecommunications,Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia, School of Computer Science,Beijing,China) ,  Du Junping (Beijing University of Posts and Telecommunications,Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia, School of Computer Science,Beijing,China) ,  Xue Zhe (Beijing University of Posts and Telecommunications,Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia, School of Computer Science,Beijing,China) ,  Kou Feifei (Beijing University of Posts and Telecommunications,Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia, School of Computer Science,Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICKG  ページ： 152-156  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ストック傾向予測は,常に金融ビッグデータの分野における研究の焦点であった。ストックデータは複雑な非線形データであるが,ストック価格は時間とともに変化する。ストックデータの特性に基づいて,本論文は,注意機構(STPA)に基づく金融大データストック傾向予測アルゴリズムを提案した。時系列に関するデータの長期的依存性を捉えるために,双方向ゲート電流ユニット(BGRU)と注意機構を採用した。注意機構を用いて,傾向予測結果に及ぼす異なる時間期間からのデータの影響の重さを分析し,それによって,ストックデータ変化傾向予測の誤差を減らし,傾向予測の精度を改善した。モデル訓練と性能評価のための10のストックの毎日の閉鎖価格データを選択した。実験結果は,提案した方式STPAが,他の方式よりもストック変化傾向の予測において,より高い精度,再現率,およびF1-Scoreを達成することを証明した。主流法と比較して,STPAは精度を4%改善し,リコールを2.5%改善し,F1-Scoreを3.2%改善した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *金融 ,  *在庫量 ,  性能評価
準シソーラス用語： ゲート電流 ,  再現率 ,  予測アルゴリズム ,  *ビッグデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 注意 ,  金融 ,  ビッグデータ ,  ストック ,  傾向 ,  予測