株価予測のための機械学習モデルの比較研究【JST・京大機械翻訳】

Orsel Ogulcan E.; Yamada Sasha S.

プレプリント

J-GLOBAL ID：202202212810127114 整理番号：22P0285768

株価予測のための機械学習モデルの比較研究【JST・京大機械翻訳】

Comparative Study of Machine Learning Models for Stock Price Prediction

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： 2022年01月31日プレプリントサーバーでの情報更新日： 2022年01月31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)

本研究では,将来の価格を予測するために,歴史的株価に機械学習技術を適用した。これを達成するために,時系列データを扱うのに適した再帰的アプローチを用いた。特に,線形カルマンフィルタと長短期メモリ(LSTM)アーキテクチャの異なる品種を10年範囲(1/1/2011-1/1/2021)にわたる歴史的株価に適用した。各ストックの歴史的値に対する予測値の誤差を計算することにより,これらのモデルの結果を定量化した。検討したアルゴリズムでは,単純な線形カルマンフィルタが,低揮発性(例えばMicrosoft)のストックの次の値を驚くほど良く予測することができることを見出した。しかし,高揮発性ストック(例えば,Tesla)の場合,より複雑なLSTMアルゴリズムはKalmanフィルタよりも著しく優れている。結果は,異なる種類のストックを分類し,次に各ストックタイプに対してLSTMを訓練できることを示した。この方法は,目標収益率のためにポートフォリオ生成を自動化するために使用することができた。【JST・京大機械翻訳】

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

人工知能 , 利益管理 , システム・制御理論一般 , システム同定

, , ,

前のページに戻る