抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
株価移動の予測に対する関連するストックデータを考慮することの重要性は多くの研究で示されているが,相互関連ストックの挙動のモデリング,埋込みおよび解析に対する高度なグラフィカル技術は,まだストック価格移動の予測に対して広く利用されていない。この領域における主な課題は,任意のストック集合間の既存の関係をモデル化し,それらのストックに対する予測性能を改善するためのそのようなモデルを利用するための方法を見つけることである。この領域における既存の方法の大部分は,限られた予測力で,基本的なグラフ解析技術に依存し,普遍性と柔軟性の欠如に悩まされている。本論文では,影響ネットワークと呼ばれるグラフ構造として任意のストック集合間の関係をモデル化するGCNETと呼ばれる新しいフレームワークを導入し,グラフにおけるストックノードの部分集合に対する妥当な初期ラベルを推論するために,一連の履歴ベース予測モデルを使用した。最後に,GCNETはグラフ畳込みネットワークアルゴリズムを用いて,この部分ラベルグラフを解析し,グラフにおける各ストックに対する次の価格方向を予測した。GCNETは,それらの歴史的データに基づく相互作用ストックの価格変動の予測に適用できる一般的な予測フレームワークである。NASDAQ指数からの一連のストックに関する実験と評価は,GCNETが精度とMCC測度に関してSOTAの性能を著しく改善することを示した。【JST・京大機械翻訳】