論文の概要: Using four different online media sources to forecast the crude oil
price
- arxiv url: http://arxiv.org/abs/2105.09154v1
- Date: Wed, 19 May 2021 14:19:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 13:43:45.525138
- Title: Using four different online media sources to forecast the crude oil
price
- Title（参考訳）: 4つの異なるオンラインメディアソースを使って 原油価格を予測し
- Authors: M. Elshendy, A. Fronzetti Colladon, E. Battistoni, P. A. Gloor
- Abstract要約: この研究は、2年間にわたって、西テキサス中間原油価格とTwitter、Google Trends、Wikipedia、Global Data on Events、Language、Tone database(GDELT)から抽出された複数の予測器の関係を分析した。
その結果,4つのメディアプラットフォームを総合的に分析することで,財務予測を行う上で貴重な情報が得られることがわかった。
この研究は、プラットフォームが価格の動きを予測できる日数の観点から、各プラットフォームの異なる前見能力を比較することを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study looks for signals of economic awareness on online social media and
tests their significance in economic predictions. The study analyses, over a
period of two years, the relationship between the West Texas Intermediate daily
crude oil price and multiple predictors extracted from Twitter, Google Trends,
Wikipedia, and the Global Data on Events, Language, and Tone database (GDELT).
Semantic analysis is applied to study the sentiment, emotionality and
complexity of the language used. Autoregressive Integrated Moving Average with
Explanatory Variable (ARIMAX) models are used to make predictions and to
confirm the value of the study variables. Results show that the combined
analysis of the four media platforms carries valuable information in making
financial forecasting. Twitter language complexity, GDELT number of articles
and Wikipedia page reads have the highest predictive power. This study also
allows a comparison of the different fore-sighting abilities of each platform,
in terms of how many days ahead a platform can predict a price movement before
it happens. In comparison with previous work, more media sources and more
dimensions of the interaction and of the language used are combined in a joint
analysis.
- Abstract（参考訳）: 本研究は,オンラインソーシャルメディア上での経済意識のシグナルを探り,その経済予測における意義を検証した。
調査は2年間にわたって、西テキサス中間原油価格とTwitter、Google Trends、Wikipedia、およびGDELT(Global Data on Events、Language、Tone database)から抽出された複数の予測器の関係を分析した。
意味分析は、使用する言語の感情、感情、複雑さを研究するために用いられる。
説明変数を用いた自己回帰統合移動平均(ARIMAX)モデルを用いて、予測を行い、研究変数の価値を確認する。
その結果,4つのメディアプラットフォームの統合分析は,財務予測において貴重な情報をもたらすことがわかった。
Twitter言語の複雑さ、GDELTの項目数、ウィキペディアページの読み込みが最も予測力が高い。
この研究はまた、プラットフォームが価格の動きを何日前に予測できるかという点で、各プラットフォームで異なる先見能力を比較することを可能にする。
先行研究と比較して, メディアソースの増大と, 使用言語との相互作用の次元の増大を, 共同分析で組み合わせる。
関連論文リスト
- Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳（メタデータ） (2024-03-19T09:45:33Z) - Natural Language Processing and Multimodal Stock Price Prediction [0.8702432681310401]
本稿では,従来の生通貨価値の活用とは対照的に,株価変動をトレーニングデータとして活用する。
パーセンテージの変化の選択は、価格変動の重要性に関する文脈をモデルに提供することを目的としている。
この研究は、株価トレンドを予測するために、特別なBERT自然言語処理モデルを用いている。
論文 参考訳（メタデータ） (2024-01-03T01:21:30Z) - Predicting Financial Market Trends using Time Series Analysis and
Natural Language Processing [0.0]
この調査は、TeslaやAppleといった大手企業の株価を予測するためのツールとして、Twitterの感情の有効性を評価することを目的としている。
以上の結果から, 株価変動の主要な要因は, 肯定性, 否定性, 主観性であることが示唆された。
論文 参考訳（メタデータ） (2023-08-31T21:20:58Z) - Testing the Predictions of Surprisal Theory in 11 Languages [77.45204595614]
本研究では,11言語における副次的時間と読解時間の関係について検討する。
より多様な言語に焦点をあてることで、これらの結果は、情報理論と言語間のインクリメンタル言語処理の最も堅牢なリンクを提供すると論じる。
論文 参考訳（メタデータ） (2023-07-07T15:37:50Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - The Battle of Information Representations: Comparing Sentiment and
Semantic Features for Forecasting Market Trends [0.5249805590164902]
市場の動向を予測するための感情属性よりも文脈埋め込みの形での意味的特徴が重要であるかを検討する。
当社は、NASDAQの資本化による大手企業に関連するTwitter投稿のコーパスとその価格設定について検討する。
以上の結果から,感情的特徴の活用により,有意な頻度で測定値が上昇することが示唆された。
論文 参考訳（メタデータ） (2023-03-24T18:30:15Z) - 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) - Social Media Sentiment Analysis for Cryptocurrency Market Prediction [0.0]
我々は、異なる感情指標がBitcoinの価格変動とどのように相関しているかを研究する。
モデルのうちの1つは、他の20以上の公的なモデルよりも優れています。
論文 参考訳（メタデータ） (2022-04-19T03:27:29Z) - Online Multi-Agent Forecasting with Interpretable Collaborative Graph
Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。
本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文 参考訳（メタデータ） (2021-07-02T08:20:06Z) - Macroeconomic forecasting through news, emotions and narrative [12.762298148425796]
本研究は、世界中の新聞からの幅広い感情をマクロ経済予測に組み込むことにより、既存の研究分野を拡大する。
我々は、自動回帰フレームワークを使用して、さまざまな経済分野の工業生産と消費者価格をモデル化する。
幸福と怒りに関連する感情は、予測する変数に対して最も強い予測力を持つ。
論文 参考訳（メタデータ） (2020-09-23T10:10:03Z)
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。