論文の概要: A Novel Twitter Sentiment Analysis Model with Baseline Correlation for
Financial Market Prediction with Improved Efficiency
- arxiv url: http://arxiv.org/abs/2003.08137v2
- Date: Tue, 21 Apr 2020 22:42:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 13:16:24.464952
- Title: A Novel Twitter Sentiment Analysis Model with Baseline Correlation for
Financial Market Prediction with Improved Efficiency
- Title(参考訳): 金融市場予測のためのベースライン相関を考慮した新しいTwitter感性分析モデル
- Authors: Xinyi Guo and Jinfeng Li
- Abstract要約: 将来の株価FTSE100のリアルタイム予測のために,Twitterの感情スコア(TSS)に基づく新たな感情分析モデルを提案する。
提案したTSSモデルでは,新しいベースライン相関手法が特徴的であり,精度の高い予測精度を示す。
得られたTSSは、将来の株式市場のトレンドを、67.22%の精度で15時間(30労働時間)で予測する。
- 参考スコア(独自算出の注目度): 12.060423458650765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A novel social networks sentiment analysis model is proposed based on Twitter
sentiment score (TSS) for real-time prediction of the future stock market price
FTSE 100, as compared with conventional econometric models of investor
sentiment based on closed-end fund discount (CEFD). The proposed TSS model
features a new baseline correlation approach, which not only exhibits a decent
prediction accuracy, but also reduces the computation burden and enables a fast
decision making without the knowledge of historical data. Polynomial
regression, classification modelling and lexicon-based sentiment analysis are
performed using R. The obtained TSS predicts the future stock market trend in
advance by 15 time samples (30 working hours) with an accuracy of 67.22% using
the proposed baseline criterion without referring to historical TSS or market
data. Specifically, TSS's prediction performance of an upward market is found
far better than that of a downward market. Under the logistic regression and
linear discriminant analysis, the accuracy of TSS in predicting the upward
trend of the future market achieves 97.87%.
- Abstract(参考訳): 新たなソーシャルネットワークの感情分析モデルがTwitterの感情スコア(TSS)に基づいて提案され、既存投資家の感情分析モデルであるCEFD(クローズドエンドファンド割引)と比較して、将来の株式市場価格FTSE 100のリアルタイム予測を行う。
提案するtssモデルは,適切な予測精度を示すだけでなく,計算負荷を低減し,履歴データの知識を必要とせずに迅速な意思決定が可能な,新たなベースライン相関手法を特徴とする。
得られたTSSは, 過去のTSSや市場データを参照することなく, 提案した基準基準を用いて, 67.22%の精度で15時間(30労働時間)で, 将来の株式市場の動向を予測した。
特に、tssの上昇市場における予測性能は下降市場よりもはるかに優れていることが分かる。
ロジスティック回帰分析と線形判別分析では、将来の市場の上昇傾向を予測するためのTSSの精度は97.87%に達する。
関連論文リスト
- Do Weibo platform experts perform better at predicting stock market? [0.8999666725996978]
Weiboのソーシャルネットワーキングプラットフォームは、感情データ収集のソースとして使用されている。
Weiboのユーザは、認可金融アドバイザー(AFA)と無認可金融アドバイザー(UFA)グループに分けられる。
香港ハンセン指数は、歴史的株式市場の変化データを抽出するために使用されている。
論文 参考訳(メタデータ) (2024-02-12T10:04:54Z) - StockFormer: A Swing Trading Strategy Based on STL Decomposition and
Self-Attention Networks [0.3495246564946556]
Stockformerは、スイングトレーディングに最適化された最先端のディープラーニングフレームワークである。
ストックフォーマーは、S&P 500の複雑なデータを使って、株価のリターン予測を洗練させる。
私たちのバックテストでは、ストックホルダーのスイングトレーディング戦略は累積リターンが13.19%、年次リターンが30.80%だった。
論文 参考訳(メタデータ) (2023-11-23T04:33:47Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Univariate and Multivariate LSTM Model for Short-Term Stock Market
Prediction [1.6114012813668934]
本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。
10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
論文 参考訳(メタデータ) (2022-05-08T07:01:12Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳(メタデータ) (2021-09-14T18:50:38Z) - Discriminating modelling approaches for Point in Time Economic Scenario
Generation [5.733401663293044]
時間経済シナリオ生成におけるポイントの概念(PiT ESG)を紹介する。
PiT ESGは、長期にわたる歴史的データのみを調整した従来のESGよりも、突然の経済変化に対する迅速かつ柔軟な反応を提供するべきである。
我々は,非パラメトリックフィルタ履歴シミュレーション,GARCHモデルと関節推定(パラメトリック),制限ボルツマンマシン,条件付き変分オートエンコーダ(ジェネレータネットワーク)を比較し,PiT ESGとして適合性を検討した。
論文 参考訳(メタデータ) (2021-08-19T17:36:53Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳(メタデータ) (2021-04-06T11:09:51Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。