Fugu-MT 論文翻訳(概要): Using Twitter Attribute Information to Predict Stock Prices

論文の概要: Using Twitter Attribute Information to Predict Stock Prices

arxiv url: http://arxiv.org/abs/2105.01402v1
Date: Tue, 4 May 2021 10:27:37 GMT
ステータス: 処理完了
システム内更新日: 2021-05-05 12:52:45.257138
Title: Using Twitter Attribute Information to Predict Stock Prices
Title（参考訳）: Twitterの属性情報を使って株価を予測
Authors: Roderick Karlemstrand, Ebba Leckstr\"om
Abstract要約: モデルは、LSTMと完全に接続されたレイヤのいくつかの層を持つニューラルネットワークに基づいています。過去の株価、技術指標、twitterの属性情報で訓練されている。その結果、より多くのTwitter属性を追加することで、予測価格と実際の価格の間のMSEが3%向上しました。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Being able to predict stock prices might be the unspoken wish of stock investors. Although stock prices are complicated to predict, there are many theories about what affects their movements, including interest rates, news and social media. With the help of Machine Learning, complex patterns in data can be identified beyond the human intellect. In this thesis, a Machine Learning model for time series forecasting is created and tested to predict stock prices. The model is based on a neural network with several layers of LSTM and fully connected layers. It is trained with historical stock values, technical indicators and Twitter attribute information retrieved, extracted and calculated from posts on the social media platform Twitter. These attributes are sentiment score, favourites, followers, retweets and if an account is verified. To collect data from Twitter, Twitter's API is used. Sentiment analysis is conducted with VADER. The results show that by adding more Twitter attributes, the MSE between the predicted prices and the actual prices improved by 3%. With technical analysis taken into account, MSE decreases from 0.1617 to 0.1437, which is an improvement of around 11%. The restrictions of this study include that the selected stock has to be publicly listed on the stock market and popular on Twitter and among individual investors. Besides, the stock markets' opening hours differ from Twitter, which constantly available. It may therefore introduce noises in the model.
Abstract（参考訳）: 株価を予測できることは、株式投資家の無口な願望かもしれない。株価は予測が難しいが、金利やニュース、ソーシャルメディアなど、その動きにどのような影響を及ぼすのかについては様々な理論がある。機械学習の助けを借りて、データの複雑なパターンは人間の知性を超えて識別することができる。この論文では、時系列予測のための機械学習モデルを作成し、株価を予測するためにテストする。このモデルは、LSTMと完全に接続されたレイヤが複数あるニューラルネットワークに基づいている。ソーシャルメディアプラットフォームTwitterの投稿から検索、抽出、計算された、歴史的な株価、技術的指標、およびTwitter属性情報で訓練されている。これらの属性は、感情スコア、お気に入り、フォロワー、リツイート、そしてアカウントが検証された場合である。 Twitterからデータ収集には、TwitterのAPIが使用されている。 VADERを用いて感性分析を行う。その結果、より多くのtwitter属性を追加することで、予測価格と実際の価格の間のmseが3%向上した。技術的分析により、MSEは0.1617から0.1437に減少し、約11%の改善となった。この調査の制限には、選択された株式を株式市場に上場し、twitterや個人投資家の間で人気を博すことが含まれる。さらに、株式市場の営業時間はtwitterと異なり、常に利用可能だ。したがって、モデルにノイズをもたらす可能性がある。

関連論文リスト

Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2024-06-10T11:42:30Z)
Targeted aspect-based emotion analysis to detect opportunities and precaution in financial Twitter messages [8.504685056067144]
同じツイートで、異なる株式市場資産の金銭的感情(肯定的、否定的な予測)を個別に識別できる新たなTABEA(Targeted Aspect-Based Emotion Analysis)システムを提案する。自然言語処理(NLP)技術と機械学習ストリーミングアルゴリズムに基づいている。ターゲットの感情、財務的機会、そしてTwitterの予防のために90%以上の精度を達成している。
論文参考訳（メタデータ） (2024-03-30T16:46:25Z)
Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
論文参考訳（メタデータ） (2023-07-05T20:16:20Z)
BotArtist: Generic approach for bot detection in Twitter via semi-automatic machine learning pipeline [47.61306219245444]
Twitterは、ボットや偽アカウントのターゲットとなり、偽情報や操作の拡散につながった。本稿では,機械学習モデル開発に関連する課題に対処するために,セミオートマチック機械学習パイプライン(SAMLP)を提案する。ユーザプロファイル機能に基づいたボット検出モデルBotArtistを開発した。
論文参考訳（メタデータ） (2023-05-31T09:12:35Z)
Taureau: A Stock Market Movement Inference Framework Based on Twitter Sentiment Analysis [0.0]
我々はTwitterの感情分析を利用して株式市場の動きを予測するフレームワークTaureauを提案する。まずはTweepyとgetOldTweetsを使って、一連のトップ企業の世論を示す歴史的なツイートを入手する。得られた感情スコアの時間次元を月次株価変動データと相関する。
論文参考訳（メタデータ） (2023-03-30T19:12:08Z)
The Impact of Twitter Sentiments on Stock Market Trends [0.0]
S&P500種株価指数(S&P500種株価指数)の上位5銘柄の3ヶ月間の総数、感情、言及を分析した。われわれの調査では、株価とTwitterの感情の間に大きな相関関係があることが判明した。
論文参考訳（メタデータ） (2023-02-14T18:43:20Z)
Evaluating Impact of Social Media Posts by Executives on Stock Prices [0.5429166905724048]
TwitterやRedditのようなソーシャルメディアは、このような影響力のホットスポットになっている。本稿は,Twitter と Reddit の投稿を用いた株価予測におけるソーシャルメディア投稿の影響について検討する。
論文参考訳（メタデータ） (2022-11-01T03:45:17Z)
A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Prediction [100.9772316028191]
本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2022-05-01T05:12:22Z)
Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文参考訳（メタデータ） (2021-12-08T14:12:24Z)
Ask "Who", Not "What": Bitcoin Volatility Forecasting with Twitter Data [2.9223917785251285]
我々は、Twitterの公開ソーシャルメディアデータのディープラーニング表現を使用して、比較的新しい資産クラスの暗号通貨(特にBitcoin)のボラティリティ予測に重点を置いている。フィールドワークのために、3000万以上のBitcoin関連ツイートからセマンティック情報とユーザーインタラクション統計を抽出した。収集した情報を組み合わせて、いくつかのディープラーニングアーキテクチャを構築しました。
論文参考訳（メタデータ） (2021-10-27T09:55:03Z)
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)

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。