1D-CapsNet-LSTM: A Deep Learning-Based Model for Multi-Step Stock Index Forecasting

要約

財務において情報に基づいた意思決定を行うには、複数段階の株価指数予測が不可欠です。
このタスクに関する現在の予測方法では、固有のデータのランダム性と不安定性により満足のいく結果が得られないことが多く、そのため高度な予測モデルの需要が強調されています。
さまざまな予測および分類タスクにおける CNN に対するカプセル ネットワーク (CapsNet) の優位性を考慮して、この研究では、マルチステップの株価指数予測のために 1D CapsNet を LSTM ネットワークと統合する可能性を調査します。
この目的を達成するために、ハイブリッド 1D-CapsNet-LSTM モデルが導入されます。これは、1D CapsNet を利用して連続データから高レベルのカプセルを生成し、LSTM ネットワークを利用して時間依存関係をキャプチャします。
さまざまな予測範囲にわたって確率的依存関係を維持するために、多入力多出力 (MIMO) 戦略が採用されます。
モデルのパフォーマンスは、S&P 500、DJIA、IXIC、NYSE などの現実の株式市場指数に基づいて評価され、RMSE、MAE、MAPE、
そしてTIC。
提案された 1D-CapsNet-LSTM モデルは、2 つの重要な側面においてベースライン モデルを常に上回っています。
ベースライン モデルと比較して、予測誤差が大幅に減少します。
さらに、予測期間が長くなると誤差の増加率が遅くなり、複数ステップの予測タスクの堅牢性が向上することを示しています。

要約(オリジナル)

Multi-step stock index forecasting is vital in finance for informed decision-making. Current forecasting methods on this task frequently produce unsatisfactory results due to the inherent data randomness and instability, thereby underscoring the demand for advanced forecasting models. Given the superiority of capsule network (CapsNet) over CNN in various forecasting and classification tasks, this study investigates the potential of integrating a 1D CapsNet with an LSTM network for multi-step stock index forecasting. To this end, a hybrid 1D-CapsNet-LSTM model is introduced, which utilizes a 1D CapsNet to generate high-level capsules from sequential data and a LSTM network to capture temporal dependencies. To maintain stochastic dependencies over different forecasting horizons, a multi-input multi-output (MIMO) strategy is employed. The model’s performance is evaluated on real-world stock market indices, including S&P 500, DJIA, IXIC, and NYSE, and compared to baseline models, including LSTM, RNN, and CNN-LSTM, using metrics such as RMSE, MAE, MAPE, and TIC. The proposed 1D-CapsNet-LSTM model consistently outperforms baseline models in two key aspects. It exhibits significant reductions in forecasting errors compared to baseline models. Furthermore, it displays a slower rate of error increase with lengthening forecast horizons, indicating increased robustness for multi-step forecasting tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google