内因性可塑性を持つ深層信念ネットワークを使用した株価の時系列予測

近年、株式市場は重要な役割を果たしており、ますます注目を集めています。株式市場の予測の重要な問題は、予測性能を向上させる方法を設計することです。ご存知のように、株の時系列の最大の課題は、本質的に動的で非線形、複雑、非パラメトリックかつカオス的であることです。本論文では、内因性可塑性を持つ深層信念ネットワーク（DBN）に基づいて株の終値を予測する新しい方法を提案します。実験では、S&P 500の株を使用して性能を検証します。出力トレーニングにはバックプロパゲーションアルゴリズムを使用し、構造パラメータのわずかな調整を行います。ネットワークには内因性可塑性（IP）を適用し、適応能力を持たせます。外部入力に対する神経反応の適応調整のためのIP学習は、入力と出力の相互情報を最大化するために有益であると考えられています。私たちの結果は、IP学習の適用が予測性能を著しく改善できることを示しています。さらに、2種類のIPルールが予測性能に及ぼす影響が検討されます。トリエシュのIPおよびIPなしと比較して、李のIP学習を用いたDBNは他のものよりもはるかに優れた予測性能を示しています。これらの結果は、複雑な時系列予測のためのニューラルネットワークのモデリングに重要な示唆を与えるかもしれません。