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
- Multimodal Stock Price Prediction [0.0]
さまざまなデータソースと機械学習を慎重に統合して、正確な株価予測を行うことがますます重要になっている。
本稿では,従来の財務指標,つぶやき,ニュース記事など,さまざまな情報源のデータを組み合わせて,株価予測のためのマルチモーダル機械学習手法を提案する。
論文 参考訳(メタデータ) (2025-01-23T16:38:46Z) - BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳(メタデータ) (2024-11-09T05:40:32Z) - Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。
近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。
この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文 参考訳(メタデータ) (2024-08-13T04:53:31Z) - A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity [0.5893124686141782]
最先端のディープラーニング技術を用いて、オンラインフォーラムから抽出した投資家の感情に基づく株価予測が可能になった。
株価予測のための新しいハイブリッドディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-17T07:18:08Z) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳(メタデータ) (2024-03-19T09:45:33Z) - 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) - 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 [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
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) - 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)
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。