論文の概要: News-Driven Stock Prediction With Attention-Based Noisy Recurrent State Transition

• arxiv url: http://arxiv.org/abs/2004.01878v1
• Date: Sat, 4 Apr 2020 07:17:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 23:01:12.457670
• Title: News-Driven Stock Prediction With Attention-Based Noisy Recurrent State Transition
• Title（参考訳）: 注意に基づくノイズリカレント状態遷移によるニュース駆動株価予測
• Authors: Xiao Liu, Heyan Huang, Yue Zhang, Changsen Yuan
• Abstract要約: ニュース駆動の株価変動予測において,基盤となる株価変動系列を時間とともに直接モデル化することを検討する。 再帰状態遷移モデルを構築し、ストックムーブメントの段階的な過程をよりよくキャプチャする。 我々は、ニュース駆動の株価変動予測の基本的な株価状態に対して、イベントとノイズの両方を明示的にモデル化した最初の人物です。
• 参考スコア（独自算出の注目度）: 36.98298182622104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider direct modeling of underlying stock value movement sequences over time in the news-driven stock movement prediction. A recurrent state transition model is constructed, which better captures a gradual process of stock movement continuously by modeling the correlation between past and future price movements. By separating the effects of news and noise, a noisy random factor is also explicitly fitted based on the recurrent states. Results show that the proposed model outperforms strong baselines. Thanks to the use of attention over news events, our model is also more explainable. To our knowledge, we are the first to explicitly model both events and noise over a fundamental stock value state for news-driven stock movement prediction.
• Abstract（参考訳）: ニュース駆動株価変動予測では,時間経過に伴う株価変動の直接モデルを検討する。 リカレント状態遷移モデルを構築し、過去の価格変動と将来の価格変動の相関をモデル化することにより、株式移動の段階的なプロセスをよりよく把握する。 ニュースとノイズの影響を分離することにより、繰り返しの状態に基づいてノイズランダム係数を明示的に設定する。 結果は,提案モデルが強いベースラインより優れていることを示す。 ニュースイベントに対する注意力のおかげで、私たちのモデルもより説明がつく。 我々の知る限り、我々はニュース駆動の株価変動予測のための基本的な株価状態よりも、イベントとノイズの両方を明示的にモデル化した最初の人物である。

関連論文リスト

• CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Movement Prediction [38.12994829222134]
  ニュース駆動型マルチストック運動予測のための新しいフレームワークCausalStockを提案する。 CaulStockは株間の時間的因果関係を発見する。 CaulStockは、ニュース駆動のマルチストックムーブメント予測とマルチストックムーブメント予測の両方において、強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-11-10T08:24:03Z)
• How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
  事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。 本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
  論文  参考訳（メタデータ） (2023-06-01T04:52:26Z)
• The Wisdom of Crowds: Temporal Progressive Attention for Early Action Prediction [104.628661890361]
  初期のアクション予測は、部分的に観察されたビデオから進行中のアクションを推測する。 本稿では,細粒度から粗粒度へのプログレッシブサンプリングにより,行動の進化を捉えたボトルネックに基づくアテンションモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:21:09Z)
• Multi-modal Attention Network for Stock Movements Prediction [0.0]
  競合を減らし,意味的特徴と数値的特徴を統合し,将来の株価変動を予測するマルチモーダリティアテンションネットワークを提案する。 実験の結果,予測精度(61.20%)と取引利益(9.13%)の両面で,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-12-27T10:03:09Z)
• SLAMP: Stochastic Latent Appearance and Motion Prediction [14.257878210585014]
  モーションはビデオ予測の重要なキューであり、ビデオコンテンツを静的なコンポーネントと動的コンポーネントに分離することでしばしば利用される。 動きを利用する以前の研究のほとんどは決定論的だが、未来の本質的な不確実性をモデル化できる方法がある。 本稿では,動きの履歴に基づいて未来を予測することによって,映像の出現と動きを推論する。
  論文  参考訳（メタデータ） (2021-08-05T17:52:18Z)
• Stock Movement Prediction with Financial News using Contextualized Embedding from BERT [0.0]
  我々は、FT-CE-RNN(Fun-Tuned Contextualized-Embedding Recurrent Neural Network)と呼ばれる新しいテキストマイニング手法を導入する。 我々のモデルは、変換器からの双方向表現(BERT)から生成される見出し(コンテキスト化された埋め込み)の文脈化されたベクトル表現を使用する。 他のベースラインモデルと比較して、精度とトレーディングシミュレーションの両方において大幅に改善されている。
  論文  参考訳（メタデータ） (2021-07-19T09:47:28Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• 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)
• History Repeats Itself: Human Motion Prediction via Motion Attention [81.94175022575966]
  注意に基づくフィードフォワードネットワークを導入し、人間の動きが自分自身を繰り返す傾向にあるという観察を明示的に活用する。 特に,現在動きのコンテキストと過去の動きのサブシーケンスの類似性を捉えるために,動きの注意を抽出することを提案する。 我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を実証した。
  論文  参考訳（メタデータ） (2020-07-23T02:12:27Z)
• Deep Recurrent Modelling of Stationary Bitcoin Price Formation Using the Order Flow [0.0]
  本稿では,高周波指向性価格変動の定常モデリングのための順序流に基づく深部再帰モデルを提案する。 我々は、Bitcoinのトレーディングが極めて不安定なバブルトラブルに移行したとしても、再トレーニングなしでは、提案されたモデルは時間的に安定していることを示した。 この結果の意義は、ディープラーニングを用いた価格形成をモデル化する文献において、既存の最先端モデルと比較することで示される。
  論文  参考訳（メタデータ） (2020-03-31T18:13:04Z)

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。