逐次訓練された多対一LSTMを用いた金融市場における時系列のリアルタイム予測【JST・京大機械翻訳】

Gajamannage Kelum; Park Yonggi

プレプリント

J-GLOBAL ID：202202219833341959 整理番号：22P0346823

逐次訓練された多対一LSTMを用いた金融市場における時系列のリアルタイム予測【JST・京大機械翻訳】

Real-time Forecasting of Time Series in Financial Markets Using Sequentially Trained Many-to-one LSTMs

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05月10日プレプリントサーバーでの情報更新日： 2022年05月10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)

金融市場は非常に複雑で揮発性である。したがって,予測を行うためのこのような市場についての学習は,衝突事故とその後の回復に関する早期警報を行うのに不可欠である。人々は,そのような市場に関する信頼できる予測を行う試みにおいて,金融数学や機械学習のような多様な分野からの学習ツールを使用している。しかし,そのような技術の精度は,人工ニューラルネットワーク(ANN)フレームワークが開発されているまでは適切ではなかった。さらに,金融時系列の正確なリアルタイム予測は,使用中のANNアーキテクチャと訓練の手順に対して非常に主観的である。長い短期メモリ(LSTM)は,時系列予測のために広く利用されてきた再発性ニューラルネットワークファミリーのメンバーである。特に,既知の長さ,すなわち,以前のデータのT時間ステップで2つのLSTMを訓練し,1つの時間ステップだけを予測した。各反復において,1つのLSTMが最良の数の時代を見つけるのに採用されたが,2番目のLSTMは予測を行うための最良の数の時代のためにのみ訓練された。次の予測のための訓練セットとして現在の予測を処理し,同じLSTMを訓練した。訓練の古典的方法は,予測が試験期間においてさらに離れているとき,より多くの誤差をもたらす一方,著者らの方式は,試験期間を通して進行するとき,トレーニングが増加するにつれて,優れた精度を維持することができた。このアプローチの予測精度を,3つの多様な金融市場のそれぞれから3つの時系列を用いて検証した:ストック,暗号,および商品。結果を,拡張Kalmanフィルタ,自己回帰モデル,および自己回帰統合移動平均モデルと比較した。【JST・京大機械翻訳】

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

ニューロコンピュータ , 人工知能

, , , , ,

前のページに戻る