論文の概要: Towards Earnings Call and Stock Price Movement
- arxiv url: http://arxiv.org/abs/2009.01317v1
- Date: Sun, 23 Aug 2020 20:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 02:44:06.869243
- Title: Towards Earnings Call and Stock Price Movement
- Title(参考訳): 決算報告と株価変動に向けて
- Authors: Zhiqiang Ma, Grace Bang, Chong Wang, Xiaomo Liu
- Abstract要約: 本稿では,ディープラーニングフレームワークを用いて,その言語を転写文でモデル化することを提案する。
提案モデルが従来の機械学習ベースラインよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 7.196468151661785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earnings calls are hosted by management of public companies to discuss the
company's financial performance with analysts and investors. Information
disclosed during an earnings call is an essential source of data for analysts
and investors to make investment decisions. Thus, we leverage earnings call
transcripts to predict future stock price dynamics. We propose to model the
language in transcripts using a deep learning framework, where an attention
mechanism is applied to encode the text data into vectors for the
discriminative network classifier to predict stock price movements. Our
empirical experiments show that the proposed model is superior to the
traditional machine learning baselines and earnings call information can boost
the stock price prediction performance.
- Abstract(参考訳): 決算報告は上場企業の経営陣が主催し、アナリストや投資家と会社の業績について議論する。
決算会見で公表された情報は、アナリストや投資家が投資決定を行う上で不可欠なデータ源である。
したがって、決算報告の書き起こしを利用して将来の株価変動を予測する。
本稿では,テキストデータをベクトルにエンコードし,株価変動を予測するための注意機構を応用した深層学習フレームワークを用いて,書き起こし中の言語をモデル化することを提案する。
実証実験により,提案モデルは従来の機械学習ベースラインよりも優れており,決算報告情報により株価予測性能が向上することが示された。
関連論文リスト
- A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳(メタデータ) (2024-02-23T10:21:07Z) - Natural Language Processing and Multimodal Stock Price Prediction [0.8702432681310401]
本稿では,従来の生通貨価値の活用とは対照的に,株価変動をトレーニングデータとして活用する。
パーセンテージの変化の選択は、価格変動の重要性に関する文脈をモデルに提供することを目的としている。
この研究は、株価トレンドを予測するために、特別なBERT自然言語処理モデルを用いている。
論文 参考訳(メタデータ) (2024-01-03T01:21:30Z) - ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock
Movement and Volatility Prediction [20.574163667057476]
我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。
我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。
市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-28T13:31:39Z) - American Option Pricing using Self-Attention GRU and Shapley Value
Interpretation [0.0]
本稿では,ゲートリカレントユニット(GRU)と自己認識機構に基づいて,SPY(ETF)オプションの価格を予測する機械学習手法を提案する。
我々は、多層パーセプトロン(MLP)、長期記憶(LSTM)、自己注意型LSTM、自己注意型GRUの4つの異なる機械学習モデルを構築した。
論文 参考訳(メタデータ) (2023-10-19T06:05:46Z) - Predicting Financial Market Trends using Time Series Analysis and
Natural Language Processing [0.0]
この調査は、TeslaやAppleといった大手企業の株価を予測するためのツールとして、Twitterの感情の有効性を評価することを目的としている。
以上の結果から, 株価変動の主要な要因は, 肯定性, 否定性, 主観性であることが示唆された。
論文 参考訳(メタデータ) (2023-08-31T21:20:58Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - HIST: A Graph-based Framework for Stock Trend Forecasting via Mining
Concept-Oriented Shared Information [73.40830291141035]
近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。
これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。
本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-26T14:04:04Z) - 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) - 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)
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。