An Evaluation of Deep Learning Models for Stock Market Trend Prediction

要約

株式市場は金融システムの基本的な構成要素であり、経済の健全性を反映し、投資機会を提供し、世界情勢に影響を与えます。
株式市場を正確に予測すると、大きな利益が得られ、より良い投資決定が促進されます。
ただし、株式市場のトレンドを予測することは、その非線形かつ確率的な性質のため困難です。
この研究では、S&P 500 指数とブラジル ETF EWZ の日次終値および時間終値を使用した短期トレンド予測における高度な深層学習モデルの有効性を調査します。
調査されたモデルには、時間畳み込みネットワーク (TCN)、時系列予測のためのニューラル基底拡張分析 (N-BEATS)、時間融合トランスフォーマー (TFT)、時系列予測のためのニューラル階層内挿 (N-HiTS)、および時系列密集が含まれます。
エンコーダー (TiDE)。
さらに、時系列予測用に最適化された xLSTM 適応である Extended Long Short-Term Memory for Time Series (xLSTM-TS) モデルを紹介します。
ウェーブレット ノイズ除去技術を適用して信号を平滑化し、小さな変動を軽減し、すべてのアプローチの入力としてよりクリーンなデータを提供しました。
ノイズ除去により、株価の方向を予測するパフォーマンスが大幅に向上しました。
テストしたモデルの中で、xLSTM-TS は常に他のモデルよりも優れたパフォーマンスを発揮しました。
たとえば、EWZ の日次データセットでは、テスト精度 72.82%、F1 スコア 73.16% を達成しました。
この研究は、高度な深層学習モデルと効果的なデータ前処理技術を活用することにより、市場変動予測のための機械学習の応用に関する貴重な洞察を提供し、それに伴う可能性と課題の両方を浮き彫りにしています。

要約(オリジナル)

The stock market is a fundamental component of financial systems, reflecting economic health, providing investment opportunities, and influencing global dynamics. Accurate stock market predictions can lead to significant gains and promote better investment decisions. However, predicting stock market trends is challenging due to their non-linear and stochastic nature. This study investigates the efficacy of advanced deep learning models for short-term trend forecasting using daily and hourly closing prices from the S&P 500 index and the Brazilian ETF EWZ. The models explored include Temporal Convolutional Networks (TCN), Neural Basis Expansion Analysis for Time Series Forecasting (N-BEATS), Temporal Fusion Transformers (TFT), Neural Hierarchical Interpolation for Time Series Forecasting (N-HiTS), and Time-series Dense Encoder (TiDE). Furthermore, we introduce the Extended Long Short-Term Memory for Time Series (xLSTM-TS) model, an xLSTM adaptation optimised for time series prediction. Wavelet denoising techniques were applied to smooth the signal and reduce minor fluctuations, providing cleaner data as input for all approaches. Denoising significantly improved performance in predicting stock price direction. Among the models tested, xLSTM-TS consistently outperformed others. For example, it achieved a test accuracy of 72.82% and an F1 score of 73.16% on the EWZ daily dataset. By leveraging advanced deep learning models and effective data preprocessing techniques, this research provides valuable insights into the application of machine learning for market movement forecasting, highlighting both the potential and the challenges involved.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google