論文の概要: Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating

• arxiv url: http://arxiv.org/abs/2103.09106v1
• Date: Sat, 13 Mar 2021 03:56:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 03:49:23.892253
• Title: Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating
• Title（参考訳）: 株価予測のための特徴学習はアナリストレーティングの重要な役割を示す
• Authors: Jaideep Singh and Matloob Khushi
• Abstract要約: 5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。 いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。 予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
• 参考スコア（独自算出の注目度）: 0.38073142980733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To reject the Efficient Market Hypothesis a set of 5 technical indicators and 23 fundamental indicators was identified to establish the possibility of generating excess returns on the stock market. Leveraging these data points and various classification machine learning models, trading data of the 505 equities on the US S&P500 over the past 20 years was analysed to develop a classifier effective for our cause. From any given day, we were able to predict the direction of change in price by 1% up to 10 days in the future. The predictions had an overall accuracy of 83.62% with a precision of 85% for buy signals and a recall of 100% for sell signals. Moreover, we grouped equities by their sector and repeated the experiment to see if grouping similar assets together positively effected the results but concluded that it showed no significant improvements in the performance rejecting the idea of sector-based analysis. Also, using feature ranking we could identify an even smaller set of 6 indicators while maintaining similar accuracies as that from the original 28 features and also uncovered the importance of buy, hold and sell analyst ratings as they came out to be the top contributors in the model. Finally, to evaluate the effectiveness of the classifier in real-life situations, it was backtested on FAANG equities using a modest trading strategy where it generated high returns of above 60% over the term of the testing dataset. In conclusion, our proposed methodology with the combination of purposefully picked features shows an improvement over the previous studies, and our model predicts the direction of 1% price changes on the 10th day with high confidence and with enough buffer to even build a robotic trading system.
• Abstract（参考訳）: 効率的な市場仮説を拒絶するために、5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。 これらのデータポイントと各種分類機械学習モデルを用いて,過去20年間の米国s&p500株505株のトレーディングデータを解析し,本研究に有効な分類器を開発した。 いずれの日でも、価格変更の方向性を10日以内の1%まで予測できたのです。 全体的な精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%だった。 さらに,株式をセクタ別にグループ化し,類似資産の集団化が肯定的な効果を示したが,セクタベース分析の考え方を否定する性能に有意な改善は認められなかったと結論づけた。 また、機能ランキングを使用することで、オリジナルの28機能と同様の精度を維持しながら、6つの指標のより小さなセットを特定できると同時に、モデルのトップコントリビュータとなったアナリスト評価の購入、保持、販売の重要性を明らかにしました。 最後に,実生活環境における分類器の有効性を評価するために,テストデータセットの期間において60%を超える高いリターンを生んだモデム取引戦略を用いてFAANG株をバックテストした。 結論として,提案手法は目的に選択された特徴を組み合わせることで従来の研究よりも改善し,信頼度が高く,かつ十分なバッファでロボット取引システムを構築することが可能な10日目の価格変化の方向を予測した。

関連論文リスト

• Can Large Language Models Beat Wall Street? Unveiling the Potential of AI in Stock Selection [0.07499722271664146]
  本稿では,GPT-4による金融市場における株式選択の先進的推論を活用する革新的なフレームワークであるMarketSenseAIを紹介する。 MarketSenseAIは、市場動向、ニュース、基礎、マクロ経済要因などさまざまなデータソースを分析し、専門家の投資決定をエミュレートする。 本研究は,金融意思決定における大規模言語モデルの変容の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-01-08T08:58:46Z)
• Stock Market Sentiment Classification and Backtesting via Fine-tuned BERT [0.0]
  この論文は感情理論から始まり、East Moneyを例に挙げ、対応するストックバーからユーザーコメントのタイトルデータをクロールする。 上記モデルに基づいて、クロールしたユーザコメントデータを感情極性でラベル付けし、得られたラベル情報をAlpha191モデルと組み合わせる。 回帰モデルは、次の5日間の平均価格変化を予測し、自動取引を導く信号として使用する。
  論文  参考訳（メタデータ） (2023-09-21T11:26:36Z)
• 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)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Using a Deep Learning Model to Simulate Human Stock Trader's Methods of Chart Analysis [0.276240219662896]
  提案手法は、過去600日間の株価に注目し、次のD日で株価が10%上昇するか、20%下落するかを予測する。 提案手法を用いて、シャープ比1.57の75.36%を返却し、それぞれ36%、0.61を上回った。 米国市場ではシャープ比0.61で27.17%のリターンを与え、NASDAQ、S&P500、DOW JONESの指数をそれぞれ17.69%、0.27で上回っている。
  論文  参考訳（メタデータ） (2023-04-28T14:27:18Z)
• Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks [4.5885930040346565]
  本研究は、同社の年次報告の公表直後の2日目の株価の推移を予測するものである。 決定木、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、プロトタイプネットワークなど、さまざまなモデルを使用します。 我々は、同社の年次報告書に基づく財務指標によれば、株価変動の予測可能性が弱いと結論付けている。
  論文  参考訳（メタデータ） (2022-06-25T01:54:53Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• 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)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)

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。