Fugu-MT 論文翻訳(概要): Earnings Prediction with Deep Learning

論文の概要: Earnings Prediction with Deep Learning

arxiv url: http://arxiv.org/abs/2006.03132v2
Date: Mon, 12 Oct 2020 09:44:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 17:54:49.644291
Title: Earnings Prediction with Deep Learning
Title（参考訳）: ディープラーニングによるEarnings予測
Authors: Lars Elend, Sebastian A. Tideman, Kerstin Lopatta, Oliver Kramer
Abstract要約: 我々は、長期短期記憶(LSTM)ネットワークと時間畳み込みネットワーク(TCN)を比較し、EPS(Future earnings per Share)の予測を行う。米国企業の広範なサンプルでは、LSTMはいずれも30.0%以上の精度の予測を行い、TCNは30.8%の改善を達成している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the financial sector, a reliable forecast the future financial performance of a company is of great importance for investors' investment decisions. In this paper we compare long-term short-term memory (LSTM) networks to temporal convolution network (TCNs) in the prediction of future earnings per share (EPS). The experimental analysis is based on quarterly financial reporting data and daily stock market returns. For a broad sample of US firms, we find that both LSTMs outperform the naive persistent model with up to 30.0% more accurate predictions, while TCNs achieve and an improvement of 30.8%. Both types of networks are at least as accurate as analysts and exceed them by up to 12.2% (LSTM) and 13.2% (TCN).
Abstract（参考訳）: 金融分野では、会社の将来の財務パフォーマンスを予測することは投資家の投資決定にとって非常に重要である。本稿では,長期短期記憶(LSTM)ネットワークと時間畳み込みネットワーク(TCN)を比較し,EPSの今後の収益予測を行う。実験的分析は四半期財務報告データと毎日の株式市場のリターンに基づいている。米国企業の広範なサンプルでは、LSTMはいずれも30.0%以上の精度の予測を行い、TCNは30.8%の改善を実現している。どちらのネットワークも少なくともアナリストと同じくらい正確であり、最大12.2% (lstm) と13.2% (tcn) を上回っている。

関連論文リスト

Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning [0.0]
この研究は、既存の株価予測手法に関する文献に基づいており、機械学習とディープラーニングアプローチへのシフトを強調している。 LSTMモデルでは、NSE、インドに上場している18のセクターで180銘柄の歴史的株価を用いて、将来の価格を予測する。その結果,株価を正確に予測し,投資決定を下す上でLSTMモデルの有効性が示された。
論文参考訳（メタデータ） (2024-05-28T17:55:54Z)
Earnings Prediction Using Recurrent Neural Networks [0.0]
この研究は、40年間の財務データを用いて、将来の企業利益を予測するニューラルネットワークを開発する。アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。会計年度末と四半期決算予測の両方を作成できる。
論文参考訳（メタデータ） (2023-11-10T13:04:34Z)
Predictive AI for SME and Large Enterprise Financial Performance Management [0.0]
バランスシートと所得計算の標準比率を補完する新しい金融・マクロ経済比率を紹介します。また、企業パフォーマンスを予測するための教師付き学習モデル(MLレグレッタとニューラルネットワーク)とベイジアンモデルも提供します。提案した変数は,標準産業比率に比例してモデル精度を向上させることができると結論づける。
論文参考訳（メタデータ） (2023-09-22T11:04:32Z)
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)
Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文参考訳（メタデータ） (2023-06-01T01:36:51Z)
FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis [0.0]
市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
論文参考訳（メタデータ） (2022-11-11T15:13:16Z)
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文参考訳（メタデータ） (2022-07-15T18:21:36Z)
Real-time Forecasting of Time Series in Financial Markets Using Sequentially Trained Many-to-one LSTMs [0.304585143845864]
2つのLSTMをトレーニングし、例えば、以前のデータのT$タイムステップをトレーニングし、1回だけ前に進むことを予測します。 1つのLSTMは最適なエポック数を見つけるために使用されるが、第2のLSTMは予測するエポック数だけを訓練する。我々は、現在の予測を次の予測のためのトレーニングセットとして扱い、同じLSTMを訓練する。
論文参考訳（メタデータ） (2022-05-10T05:18:45Z)
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)
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)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。