文献

J-GLOBAL ID：202002240308088506   整理番号：20A0971263

金融市場予測のための分数ニューロシーケンシャルARFIMA-LSTM【JST・京大機械翻訳】

Fractional Neuro-Sequential ARFIMA-LSTM for Financial Market Forecasting

著者 (6件)： Bukhari Ayaz Hussain (Department of Mathematics, Abdul Wali Khan University Mardan, Mardan, Pakistan) ,  Raja Muhammad Asif Zahoor (Future Technology Research Center, National Yunlin University of Science and Technology, Yunlin, Taiwan) ,  Sulaiman Muhammad (Department of Mathematics, Abdul Wali Khan University Mardan, Mardan, Pakistan) ,  Islam Saeed (Department of Mathematics, Abdul Wali Khan University Mardan, Mardan, Pakistan) ,  Shoaib Muhammad (Department of Mathematics, COMSATS University Islamabad-Attock, Attock, Pakistan) ,  Kumam Poom (Department of Mathematics, Faculty of Science, Center of Excellence in Theoretical and Computational Science (TaCS-CoE), King Mongkut’s University of Technology Thonburi (KMUTT), Bangkok, Thailand)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 71326-71338  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 高速変動および高周波金融データの予測は,経済学およびモデリングの分野において常に挑戦的な問題である。本研究では,分数次数導関数の強度を有する新しいハイブリッドモデルを,金融市場の急激な確率的変動を予測するために,深い学習,長い短期記憶(LSTM)ネットワークのそれらの動的特徴を用いて提示した。株式市場価格は,動的,高感度,非線形およびカオスである。時間変化領域における予測価格のための異なる技術があり,株価における変動性と不確実な挙動により,データマイニング,統計的手法,および非深いニューラルネットワークモデルのような従来の方法は予測と一般化予測株価に適していない。一方,自己回帰分数積分移動平均(ARFIMA)モデルは,長い記憶モデルのクラスに対する柔軟なツールを提供する。機械学習ベースの深い非線形モデリングの進歩は,ハイブリッドモデルが効率的に深い特徴とモデル非線形関数を抽出することを確認した。LSTMネットワークは,入力観測のシーケンスを長期依存性の能力を持つ出力観測に写像する特別な種類のリカレントニューラルネットワーク(RNN)である。新しいARFIMA-LSTMハイブリッド再帰ネットワークを提示した。これにおいて,ARFIMAモデルは,データにおいてARIMAモデルよりも線形傾向を有し,外因性依存変数の助けを借りて残留値における非線形性を捕捉するLSTMモデルへの残差を通過する。モデルは,揮発性問題を最小化するだけでなく,ニューラルネットワークの過剰適合問題を克服する。このモデルをRMSE,MSEおよびMAPEに基づく株式市場のPSX会社データを用いて評価し,ARIMA,LSTMモデルおよび一般化回帰動径基底ニューラルネットワーク(GRNN)アンサンブル法と独立に比較した。予測性能は,提案したAFRIMA-LSTMハイブリッドモデルの有効性を示し,従来の予測対応物と比較してRMSEに関する約80%の精度を改善した。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： ネットワーク ,  不確実性 ,  ニューラルネットワーク ,  残差 ,  統計的方法 ,  株式市場 ,  *金融 ,  導関数 ,  カオス ,  機械学習 ,  データマイニング
準シソーラス用語： 神経回路網モデル ,  株価 ,  リカレントニューラルネットワーク ,  ハイブリッドモデル , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 金融 ,  市場予測 ,  分数 ,  ARFIMA ,  LSTM