論文の概要: Choosing News Topics to Explain Stock Market Returns
- arxiv url: http://arxiv.org/abs/2010.07289v1
- Date: Wed, 14 Oct 2020 01:38:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 13:00:47.976264
- Title: Choosing News Topics to Explain Stock Market Returns
- Title(参考訳): 株式市場のリターンを説明するためにニューストピックを選択する
- Authors: Paul Glasserman, Kriste Krstovski, Paul Laliberte, Harry Mamaysky
- Abstract要約: 新聞記事の話題を選別して株価のリターンを説明する手法について分析する。
EMアルゴリズムにおけるギブズサンプリングは、しばしばトピックモデルのデトリメントにオーバーフィットする。
効果的なトピック割り当てを強化する分岐手順は、しばしば最もよく機能する。
- 参考スコア(独自算出の注目度): 0.5735035463793008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We analyze methods for selecting topics in news articles to explain stock
returns. We find, through empirical and theoretical results, that supervised
Latent Dirichlet Allocation (sLDA) implemented through Gibbs sampling in a
stochastic EM algorithm will often overfit returns to the detriment of the
topic model. We obtain better out-of-sample performance through a random search
of plain LDA models. A branching procedure that reinforces effective topic
assignments often performs best. We test methods on an archive of over 90,000
news articles about S&P 500 firms.
- Abstract(参考訳): ニュース記事の話題選択手法を分析し,株価のリターンを説明する。
確率的emアルゴリズムでgibbsサンプリングによって実装された潜在ディリクレ割当 (slda) は、経験的および理論的結果を通じて、しばしばトピックモデルの有害性への回帰に過剰に適合する。
通常のLDAモデルのランダム探索により,サンプル外性能が向上する。
効果的なトピック割り当てを強化する分岐手順は、しばしば最もよく機能する。
我々は、s&p 500企業に関する9万以上のニュース記事のアーカイブでメソッドをテストする。
関連論文リスト
- DQ-LoRe: Dual Queries with Low Rank Approximation Re-ranking for
In-Context Learning [66.85379279041128]
そこで本研究では,Dual Queries と Low-rank approximation Re- rank を利用して,文脈内学習のための例を自動選択するフレームワークを提案する。
DQ-LoRe は GPT-4 の自動選択において最先端の手法よりも優れ、92.5% から94.2% まで性能が向上した。
論文 参考訳(メタデータ) (2023-10-04T16:44:37Z) - CSPRD: A Financial Policy Retrieval Dataset for Chinese Stock Market [61.59326951366202]
我々は、中国株式政策検索データセット(CSPRD)を導入して、新たな課題である政策検索を提案する。
CSPRDは、中国の政策コーパスの10k以上の項目から、経験豊富な専門家によってラベル付けされた700以上のパスを提供する。
我々の最高のパフォーマンスベースラインは56.1% MRR@10、28.5% NDCG@10、37.5% Recall@10、80.6% Precision@10である。
論文 参考訳(メタデータ) (2023-09-08T15:40:54Z) - Application of Transformers based methods in Electronic Medical Records:
A Systematic Literature Review [77.34726150561087]
本研究は,異なるNLPタスクにおける電子カルテ(EMR)のトランスフォーマーに基づく手法を用いて,最先端技術に関する体系的な文献レビューを行う。
論文 参考訳(メタデータ) (2023-04-05T22:19:42Z) - Predicting Day-Ahead Stock Returns using Search Engine Query Volumes: An
Application of Gradient Boosted Decision Trees to the S&P 100 [0.0]
本論は、金融資本市場における株価の将来のリターンを予測するために、この情報を活用できるかどうかという疑問に答えることを目的としている。
S&P100指数内の株価の異常なリターンと、過去の財務データから得られたラッジした予測値の関係を学習するため、グラデーションアップされた決定ツリーを実装している。
金融と経済のモデリングと予測のためのインターネット利用行動のデータの使用と変換に関するガイダンスを提供する。
論文 参考訳(メタデータ) (2022-05-31T14:58:46Z) - Supervised machine learning classification for short straddles on the
S&P500 [55.74630517879685]
本稿では,S&P500の短絡を日常的に実行すべきか否かを判断するために,この問題を教師付き分類タスクに分解する。
単純な"取引は常に"戦略に対して統計的に有意なパフォーマンスは見つからないが、今後の実験をどのように進めるかについて、さらなる洞察を得ることができる。
論文 参考訳(メタデータ) (2022-04-26T15:40:54Z) - Sequential Asset Ranking within Nonstationary Time Series [0.0]
本稿では,ベイズ・アセット・ローダであるエキスパート・アドバイス・フレームワークを用いた予測から,新たなランク付けアルゴリズムを提案する。
我々のアルゴリズムは、最高の総リターンとリスク調整されたリターン、取引コスト、そしてS&P 250の長期保持率を後見で上回ります。
論文 参考訳(メタデータ) (2022-02-24T16:39:30Z) - TTRS: Tinkoff Transactions Recommender System benchmark [62.997667081978825]
TTRS - Tinkoff Transactions Recommender Systemベンチマークを示す。
この金融取引ベンチマークには、約1万人のユーザーと、14ヶ月で1000以上の商業ブランドの間で200万以上のインタラクションが含まれている。
また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
論文 参考訳(メタデータ) (2021-10-11T20:04:07Z) - SPLADE v2: Sparse Lexical and Expansion Model for Information Retrieval [11.38022203865326]
SPLADEモデルは、最先端の高密度かつスパースなアプローチに関して、高度にスパースな表現と競争結果を提供する。
我々は、プール機構を変更し、文書拡張のみに基づいてモデルをベンチマークし、蒸留で訓練されたモデルを導入する。
全体として、SPLADEはTREC DL 2019のNDCG@10で9ドル以上のゲインで大幅に改善され、BEIRベンチマークで最先端の結果が得られた。
論文 参考訳(メタデータ) (2021-09-21T10:43:42Z) - What Makes Good In-Context Examples for GPT-$3$? [101.99751777056314]
GPT-$3$はNLPタスクの広い範囲でその優れた性能のために多くの注目を集めています。
その成功にもかかわらず、我々はGPT-$3$の実証結果が文脈内例の選択に大きく依存していることを発見した。
本研究では,文脈内事例を適切に選択するためのより効果的な戦略が存在するかを検討する。
論文 参考訳(メタデータ) (2021-01-17T23:38:40Z) - Deep Reinforcement Learning for Stock Portfolio Optimization [0.0]
私たちは、タスクに強化学習を適切に適用できるように問題を定式化します。
市場に関する現実的な仮定を維持するためには、取引コストとリスクファクターを州にも組み込む予定です。
ストックサブセット選択のための最小分散ポートフォリオと多周波データパターン抽出のためのウェーブレット変換を用いたタスクのエンドツーエンドソリューションを提案する。
論文 参考訳(メタデータ) (2020-12-09T10:19:12Z) - Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning [3.42658286826597]
PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。
代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
論文 参考訳(メタデータ) (2020-09-07T13:27:06Z)
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。