論文の概要: REST: Relational Event-driven Stock Trend Forecasting
- arxiv url: http://arxiv.org/abs/2102.07372v1
- Date: Mon, 15 Feb 2021 07:22:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 19:38:05.081204
- Title: REST: Relational Event-driven Stock Trend Forecasting
- Title(参考訳): REST:リレーショナルイベント駆動の株価トレンド予測
- Authors: Wentao Xu, Weiqing Liu, Chang Xu, Jiang Bian, Jian Yin, Tie-Yan Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 76.08435590771357
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stock trend forecasting, aiming at predicting the stock future trends, is
crucial for investors to seek maximized profits from the stock market. Many
event-driven methods utilized the events extracted from news, social media, and
discussion board to forecast the stock trend in recent years. However, existing
event-driven methods have two main shortcomings: 1) overlooking the influence
of event information differentiated by the stock-dependent properties; 2)
neglecting the effect of event information from other related stocks. In this
paper, we propose a relational event-driven stock trend forecasting (REST)
framework, which can address the shortcoming of existing methods. To remedy the
first shortcoming, we propose to model the stock context and learn the effect
of event information on the stocks under different contexts. To address the
second shortcoming, we construct a stock graph and design a new propagation
layer to propagate the effect of event information from related stocks. The
experimental studies on the real-world data demonstrate the efficiency of our
REST framework. The results of investment simulation show that our framework
can achieve a higher return of investment than baselines.
- Abstract(参考訳): 株価の将来トレンド予測を目指す株価動向予測は、投資家が株式市場から最大利益を求める上で極めて重要である。
近年, ニュース, ソーシャルメディア, 討論会から抽出したイベントを利用して, 株価動向を予測している。
しかし、既存のイベント駆動手法には、2つの主な欠点がある:1)ストック依存プロパティによって区別されるイベント情報の影響を無視すること、2)他の関連株式からのイベント情報の影響を無視すること。
本稿では、既存の手法の欠点に対処することができるリレーショナルイベント駆動ストックトレンド予測(REST)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。
実世界のデータに関する実験的研究は、RESTフレームワークの効率を実証しています。
投資シミュレーションの結果は,我々の枠組みがベースラインよりも高い投資リターンを達成できることを示唆している。
関連論文リスト
- 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) - Stock Market Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳(メタデータ) (2023-08-07T14:21:05Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - 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) - Graph-Based Learning for Stock Movement Prediction with Textual and
Relational Data [0.0]
ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。
このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。
精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
論文 参考訳(メタデータ) (2021-07-22T21:57:18Z) - 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) - Event-Driven Learning of Systematic Behaviours in Stock Markets [1.4649095013539173]
金融ニュースを活用して、潜伏するイベントストックリンクと株式市場の体系的行動を検出するニューラルネットワークをトレーニングします。
提案するパイプラインは,(1)オープン情報抽出とニューラルコリファレンス・レゾリューションを利用する複合イベント抽出法,(2)BERT/ALBERT拡張イベント表現,(3)イベント,ニュース,時間レベルの注意を含む拡張階層型アテンションネットワークを含む。
われわれのパイプラインは、Standard&Poor 500、Dow Jones、Nasdaq指数、および10の個別株の予測に適用される際に、最先端のモデルよりもはるかに優れた精度とシミュレーションされた年次リターンを達成する。
論文 参考訳(メタデータ) (2020-10-23T16:14:25Z) - ESG2Risk: A Deep Learning Framework from ESG News to Stock Volatility
Prediction [2.686135821234372]
我々は、金融ニュースフローにおけるESGイベントに注目し、株価変動に対するESG関連金融ニュースの予測力を探る。
特に,深層学習モデルのESGニュース抽出,ニュース表現,ベイズ推定のパイプラインを構築した。
論文 参考訳(メタデータ) (2020-05-05T23:01:36Z)
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。