論文の概要: Using Company Specific Headlines and Convolutional Neural Networks to
Predict Stock Fluctuations
- arxiv url: http://arxiv.org/abs/2006.12426v1
- Date: Mon, 22 Jun 2020 16:53:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 05:19:43.606830
- Title: Using Company Specific Headlines and Convolutional Neural Networks to
Predict Stock Fluctuations
- Title（参考訳）: 企業固有の見出しと畳み込みニューラルネットワークを使って株価変動を予測する
- Authors: Jonathan Readshaw and Stefano Giani
- Abstract要約: 本研究は、企業固有のニュース見出しを用いて、次の株価変動を予測するための畳み込みニューラルネットワーク(CNN)を提案する。
使用する畳み込みフィルタの総数は、通常よりもはるかに少なく、精度を損なうことなくタスクの次元性を低下させる。
61.7%の分類精度は、事前学習した埋め込みを用いて達成され、このタスクの特定のコンテキストを表現するために訓練中に微調整される。
- 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: This work presents a Convolutional Neural Network (CNN) for the prediction of
next-day stock fluctuations using company-specific news headlines. Experiments
to evaluate model performance using various configurations of word-embeddings
and convolutional filter widths are reported. The total number of convolutional
filters used is far fewer than is common, reducing the dimensionality of the
task without loss of accuracy. Furthermore, multiple hidden layers with
decreasing dimensionality are employed. A classification accuracy of 61.7\% is
achieved using pre-learned embeddings, that are fine-tuned during training to
represent the specific context of this task. Multiple filter widths are also
implemented to detect different length phrases that are key for classification.
Trading simulations are conducted using the presented classification results.
Initial investments are more than tripled over a 838 day testing period using
the optimal classification configuration and a simple trading strategy. Two
novel methods are presented to reduce the risk of the trading simulations.
Adjustment of the sigmoid class threshold and re-labelling headlines using
multiple classes form the basis of these methods. A combination of these
approaches is found to more than double the Average Trade Profit (ATP) achieved
during baseline simulations.
- Abstract（参考訳）: 本研究は、企業固有のニュース見出しを用いた翌日の株価変動予測のための畳み込みニューラルネットワーク(cnn)を提案する。
単語埋め込みと畳み込みフィルタ幅の様々な構成を用いたモデル性能評価実験を行った。
使用する畳み込みフィルタの総数は一般的なものよりもはるかに少なく、精度を損なうことなくタスクの寸法を減少させる。
さらに、次元が減少する複数の隠れ層を用いる。
このタスクの特定のコンテキストを表現するトレーニング中に微調整された事前学習埋め込みを用いて、61.7\%の分類精度を達成する。
分類の鍵となる長さの異なるフレーズを検出するために、複数のフィルタ幅も実装されている。
提案した分類結果を用いてトレーディングシミュレーションを行う。
最初の投資は、最適な分類設定と単純な取引戦略を使用して、838日間の試験期間で3倍以上になる。
取引シミュレーションのリスクを低減させる2つの新しい手法を提案する。
複数のクラスによるsgmoidクラスのしきい値の調整とヘッドラインの再ラベルは、これらのメソッドの基礎を形成する。
これらの手法の組み合わせは、ベースラインシミュレーションで達成された平均貿易利益(ATP)の2倍以上である。
関連論文リスト
- Fixed Random Classifier Rearrangement for Continual Learning [0.5439020425819]
視覚分類のシナリオでは、ニューラルネットワークは新しいタスクを学習した後、必然的に古いタスクの知識を忘れる。
我々はFixed Random Rearrangement (FRCR)という連続学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-23T09:43:58Z) - Informative regularization for a multi-layer perceptron RR Lyrae
classifier under data shift [3.303002683812084]
本稿では,情報正規化とアドホックなトレーニング手法に基づくスケーラブルで容易に適応可能なアプローチを提案し,シフト問題を緩和する。
提案手法は,特徴量からの知識をニューラルネットワークに組み込むことで,基礎となるデータシフト問題を管理する。
論文 参考訳（メタデータ） (2023-03-12T02:49:19Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Surgical Fine-Tuning Improves Adaptation to Distribution Shifts [114.17184775397067]
分散シフト下での伝達学習の一般的なアプローチは、事前訓練されたモデルの最後の数層を微調整することである。
本稿は, 階層のサブセットを選択的に微調整する手法が, 一般的に用いられている微調整手法と一致し, 性能が良くないことを示す。
論文 参考訳（メタデータ） (2022-10-20T17:59:15Z) - Variational Sparse Coding with Learned Thresholding [6.737133300781134]
サンプルをしきい値にすることでスパース分布を学習できる変分スパース符号化の新しい手法を提案する。
まず,線形発生器を訓練し,その性能,統計的効率,勾配推定に優れることを示す。
論文 参考訳（メタデータ） (2022-05-07T14:49:50Z) - Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。
PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。
我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文 参考訳（メタデータ） (2021-12-20T13:07:39Z) - Margin-Based Regularization and Selective Sampling in Deep Neural
Networks [7.219077740523683]
我々は、ディープニューラルネットワーク(DNN)のための新しいマージンベース正規化形式、MMR(Multi-margin regularization)を導出する。
CIFAR10, CIFAR100, ImageNet上で, MNLI, QQP, QNLI, MRPC, SST-2, RTEベンチマークのための最先端畳み込みニューラルネットワーク(CNN)とBERT-BASEアーキテクチャを用いて, 実験結果の改善を示す。
論文 参考訳（メタデータ） (2020-09-13T15:06:42Z) - ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。
我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
論文 参考訳（メタデータ） (2020-09-04T20:41:47Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。