Fugu-MT 論文翻訳(概要): Choosing News Topics to Explain Stock Market Returns

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

AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-30T15:06:57Z)
Data Augmentation for Sequential Recommendation: A Survey [9.913317029557588]
シーケンシャルレコメンデーション(SR)は、現実の状況との整合性から多くの注目を集めている。 SRのためのデータ拡張(DA)手法の総合的なレビューを行う。
論文参考訳（メタデータ） (2024-09-20T14:39:42Z)
Extracting Structured Insights from Financial News: An Augmented LLM Driven Approach [0.0]
本稿では,Large Language Models(LLMs)を活用した財務情報処理手法を提案する。本稿では,関連企業チッカーを生のニュース記事コンテンツから抽出し,企業レベルで感情分析を行い,要約を生成するシステムを提案する。当社は、ニュース記事から詳細な企業ごとの感情分析を提供し、市場参加者に利用可能な情報の深みを高めた最初のデータ提供者です。
論文参考訳（メタデータ） (2024-07-22T16:47:31Z)
An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting [1.7044651160538948]
既存の研究は主に個々の株式情報に焦点を当てているが、株価情報や株価データの高ノイズを無視している。本稿では,株式情報と個別株式情報の両方を考慮に入れた注目機構を用いた新しい手法を提案する。
論文参考訳（メタデータ） (2024-03-25T15:23:22Z)
Embrace Divergence for Richer Insights: A Multi-document Summarization Benchmark and a Case Study on Summarizing Diverse Information from News Articles [136.84278943588652]
同一イベントを含む複数のニュース記事において遭遇する多様な情報を要約する新しい課題を提案する。この作業を容易にするために、多様な情報を特定するためのデータ収集スキーマの概要と、DiverseSummというデータセットをキュレートした。データセットには245のニュース記事が含まれており、各ストーリーは10のニュース記事からなり、人間公認の参照と組み合わせられる。
論文参考訳（メタデータ） (2023-09-17T20:28:17Z)
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)
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)
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)

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。