訓練可能な初期隠れ状態を持つLSTMを用いた金融時系列のモデリング【JST・京大機械翻訳】

Hwang Jungsik

プレプリント

J-GLOBAL ID：202202205639330198 整理番号：22P0170664

訓練可能な初期隠れ状態を持つLSTMを用いた金融時系列のモデリング【JST・京大機械翻訳】

Modeling Financial Time Series using LSTM with Trainable Initial Hidden States

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2020年07月14日プレプリントサーバーでの情報更新日： 2020年07月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

時系列における未知パターンと情報の抽出は,多くの実世界アプリケーションの中心である。本研究では,深層学習モデルを用いて,金融時系列をモデル化する新しい手法を導入した。訓練可能な初期隠れ状態を備えた長短熱メモリ(LSTM)ネットワークを用いた。時系列を再構成する学習によって,提案モデルは,そのパラメータによって高次元時系列データを表現することができた。韓国株式市場データを用いた実験は,このモデルが,その潜在空間における多数の株価間の相対的類似性を捉えることができることを示した。また,このモデルは潜在空間から将来のストック傾向を予測することができた。提案方法は,多くの時系列間の関係を同定するのを助け,投資ポートフォリオの最適化のような財政的応用に適用できる。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 産業経済 , 利益管理

, , , ,

前のページに戻る