論文の概要: Stock price prediction using BERT and GAN
- arxiv url: http://arxiv.org/abs/2107.09055v1
- Date: Sun, 18 Jul 2021 18:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 02:56:45.584694
- Title: Stock price prediction using BERT and GAN
- Title（参考訳）: BERTとGANを用いた株価予測
- Authors: Priyank Sonkiya, Vikas Bajpai and Anukriti Bansal
- Abstract要約: 本稿では、株価を予測するための最先端の手法の集合体を提案する。
これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。
その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The stock market has been a popular topic of interest in the recent past. The
growth in the inflation rate has compelled people to invest in the stock and
commodity markets and other areas rather than saving. Further, the ability of
Deep Learning models to make predictions on the time series data has been
proven time and again. Technical analysis on the stock market with the help of
technical indicators has been the most common practice among traders and
investors. One more aspect is the sentiment analysis - the emotion of the
investors that shows the willingness to invest. A variety of techniques have
been used by people around the globe involving basic Machine Learning and
Neural Networks. Ranging from the basic linear regression to the advanced
neural networks people have experimented with all possible techniques to
predict the stock market. It's evident from recent events how news and
headlines affect the stock markets and cryptocurrencies. This paper proposes an
ensemble of state-of-the-art methods for predicting stock prices. Firstly
sentiment analysis of the news and the headlines for the company Apple Inc,
listed on the NASDAQ is performed using a version of BERT, which is a
pre-trained transformer model by Google for Natural Language Processing (NLP).
Afterward, a Generative Adversarial Network (GAN) predicts the stock price for
Apple Inc using the technical indicators, stock indexes of various countries,
some commodities, and historical prices along with the sentiment scores.
Comparison is done with baseline models like - Long Short Term Memory (LSTM),
Gated Recurrent Units (GRU), vanilla GAN, and Auto-Regressive Integrated Moving
Average (ARIMA) model.
- Abstract（参考訳）: 株式市場は近年、人気の高い話題となっている。
インフレ率の上昇により、人々は貯蓄よりも株式や商品市場や他の分野に投資せざるを得なくなった。
さらに、時系列データに基づいて予測を行うディープラーニングモデルの能力は、何度も証明されてきた。
技術指標による株式市場の技術分析は、トレーダーや投資家の間では最も一般的な実践である。
もうひとつの側面は、投資意欲を示す投資家の感情分析である。
さまざまなテクニックが、基本的な機械学習とニューラルネットワークを含む世界中の人々によって使用されている。
基本的な線形回帰から高度なニューラルネットワークまで、人々は株式市場を予測するためのあらゆる可能なテクニックを実験してきた。
最近の出来事から、ニュースや見出しが株式市場や仮想通貨に与える影響は明らかです。
本稿では,株価予測のための最先端手法の提案を行う。
まず、ニュースの感情分析と、NASDAQに掲載されているApple Inc.の見出しは、Google for Natural Language Processing (NLP)による事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用して実行される。
その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、歴史的価格と評価スコアを用いて予測する。
比較は、Long Short Term Memory (LSTM)、Gated Recurrent Units (GRU)、vanilla GAN、Auto-Regressive Integrated Average (ARIMA)モデルといったベースラインモデルで行う。
関連論文リスト
- News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models [0.0]
人工知能(AI)と自然言語処理(NLP)の最近の進歩は、株価予測能力を著しく強化している。
インド国定銀行の30年間の歴史的データを利用して株価を予測している」と述べた。
このアプローチでは,多段長短期記憶(LSTM),Optunaで最適化されたLightGBMを用いたFacebook Prophet,季節自動回帰統合型移動平均(SARIMA)など,最先端のディープラーニングモデルを活用する。
論文 参考訳（メタデータ） (2024-10-14T15:30:06Z) - Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。
歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。
その結果、購入/販売信号の精度は92%を超えた。
論文 参考訳（メタデータ） (2024-10-09T14:29:50Z) - Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。
我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。
モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
論文 参考訳（メタデータ） (2024-07-16T14:41:27Z) - 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) - A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity [0.5893124686141782]
最先端のディープラーニング技術を用いて、オンラインフォーラムから抽出した投資家の感情に基づく株価予測が可能になった。
株価予測のための新しいハイブリッドディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-17T07:18:08Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - HiSA-SMFM: Historical and Sentiment Analysis based Stock Market
Forecasting Model [3.6704226968275258]
本研究の目的は、企業の金融株の将来を精度良く予測することである。
感情分析の分野での既存の研究を分析した結果、株価の動きとニュース記事の発行との間には強い相関関係があることが判明した。
論文 参考訳（メタデータ） (2022-03-10T17:03:38Z) - 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) - 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) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
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。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z)
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。