Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022

要約

金融時系列の価格を正確に予測することは、金融セクターにとって不可欠かつ困難です。
最近のディープラーニング技術の進歩により、ディープラーニング モデルは、価格予測タスクの最初の選択肢として、従来の統計モデルや機械学習モデルに徐々に取って代わりつつあります。
このモデル選択の変化により、深層学習モデルを価格予測に適用することに関連する研究が顕著に増加し、その結果、新しい知識が急速に蓄積されています。
したがって、私たちは、この分野の研究者や実務家を支援することを目的として、過去 3 年間の関連研究の文献レビューを実施しました。
このレビューでは、ディープ ラーニング ベースの予測モデルを深く掘り下げ、モデル アーキテクチャ、実際のアプリケーション、およびそれぞれの長所と短所に関する情報を示します。
特に、トランスフォーマー、敵対的生成ネットワーク (GAN)、グラフ ニューラル ネットワーク (GNN)、深層量子ニューラル ネットワーク (DQNN) など、価格予測のための高度なモデルに関する詳細な情報が提供されます。
今回の貢献には、価格予測における複雑な構造を備えた深層学習モデルの有効性の検討、深層学習モデルを使用した点予測から区間予測への拡張、分解アンサンブルの信頼性と妥当性の精査、および探索など、将来の研究の潜在的な方向性も含まれています。
モデルのパフォーマンスに対するデータ量の影響。

要約(オリジナル)

Accurately predicting the prices of financial time series is essential and challenging for the financial sector. Owing to recent advancements in deep learning techniques, deep learning models are gradually replacing traditional statistical and machine learning models as the first choice for price forecasting tasks. This shift in model selection has led to a notable rise in research related to applying deep learning models to price forecasting, resulting in a rapid accumulation of new knowledge. Therefore, we conducted a literature review of relevant studies over the past three years with a view to aiding researchers and practitioners in the field. This review delves deeply into deep learning-based forecasting models, presenting information on model architectures, practical applications, and their respective advantages and disadvantages. In particular, detailed information is provided on advanced models for price forecasting, such as Transformers, generative adversarial networks (GANs), graph neural networks (GNNs), and deep quantum neural networks (DQNNs). The present contribution also includes potential directions for future research, such as examining the effectiveness of deep learning models with complex structures for price forecasting, extending from point prediction to interval prediction using deep learning models, scrutinising the reliability and validity of decomposition ensembles, and exploring the influence of data volume on model performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google