多変量時系列上の畳込みニューラルネットワークを用いた株価予測【JST・京大機械翻訳】

Mehtab Sidra; Sen Jaydip

プレプリント

J-GLOBAL ID：202202210899886444 整理番号：21P0023221

多変量時系列上の畳込みニューラルネットワークを用いた株価予測【JST・京大機械翻訳】

Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries

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 (2件)： ,
資料名：
発行年： 2020年01月09日プレプリントサーバーでの情報更新日： 2020年01月09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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

株価の将来の動きの予測は,多くの研究の主題である。本研究では,機械学習と深層学習ベース法を用いた株価予測のためのハイブリッドアプローチを提案した。2015年1月から2019年12月までの4年間にわたって,インドの国立ストック交換のNIFTY50指標値を選択した。前述の期間におけるNIFTYデータに基づいて,機械学習手法を用いて様々な予測モデルを構築し,次に,1週間の予測地平で,2019年のNIFTY50の閉鎖値を予測するために,それらのモデルを使用した。NIFTY指数運動パターンを予測するために,NIFTY指数の実際の閉鎖値を予測するために,様々な回帰モデルを構築した。次に,ウォークフォワード検証による畳込みニューラルネットワークを用いて,深層学習ベース回帰モデルを構築することにより,モデルの予測力を増加させる。CNNモデルをそのパラメータのために微調整し,検証損失が反復回数の増加とともに安定化し,訓練と検証精度が収束した。予測に用いた変数の数,全体モデルで使用されるサブモデル数,およびモデルの訓練のための入力データのサイズが異なる3つのアプローチを用いて,将来のNIFTY指数値の予測においてCNNの電力を利用した。広範な結果を,すべての分類と回帰モデルのための様々な計量に関して提示した。結果は,CNNベースの多変量予測モデルが,毎週の予報地平でNIFTY指数値の動きを予測するのに最も効果的で正確であることを明確に示した。【JST・京大機械翻訳】

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

人工知能

, , ,

前のページに戻る