論文の概要: Realised Volatility Forecasting: Machine Learning via Financial Word
Embedding
- arxiv url: http://arxiv.org/abs/2108.00480v1
- Date: Sun, 1 Aug 2021 15:43:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 05:24:48.088707
- Title: Realised Volatility Forecasting: Machine Learning via Financial Word
Embedding
- Title(参考訳): 実現されたボラティリティ予測:金融用語埋め込みによる機械学習
- Authors: Eghbal Rahimikia, Stefan Zohren, Ser-Huang Poon
- Abstract要約: 我々は,Dow Jones Newswires Text News Feed Databaseを組み込んだ,最新かつ最先端の財務用語であるFinTextを開発した。
2007年7月27日から2016年11月18日にかけてのNASDAQ株23株のボラティリティ上昇日数では、機械学習モデルによるボラティリティ予測性能が大幅に向上した。
- 参考スコア(独自算出の注目度): 1.6114012813668934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop FinText, a novel, state-of-the-art, financial word embedding from
Dow Jones Newswires Text News Feed Database. Incorporating this word embedding
in a machine learning model produces a substantial increase in volatility
forecasting performance on days with volatility jumps for 23 NASDAQ stocks from
27 July 2007 to 18 November 2016. A simple ensemble model, combining our word
embedding and another machine learning model that uses limit order book data,
provides the best forecasting performance for both normal and jump volatility
days. Finally, we use Integrated Gradients and SHAP (SHapley Additive
exPlanations) to make the results more 'explainable' and the model comparisons
more transparent.
- Abstract(参考訳): 我々は、dow jones newswiresのテキストニュースフィードデータベースから、最新の金融用語を埋め込んだfintextを開発した。
この単語を機械学習モデルに組み込むことで、2007年7月27日から2016年11月18日までの23株のボラティリティー上昇日におけるボラティリティ予測性能が大幅に向上した。
単語埋め込みとリミットオーダーブックデータを用いた別の機械学習モデルを組み合わせた単純なアンサンブルモデルにより、通常とジャンプの変動日の両方で最高の予測性能が得られる。
最後に,統合勾配とshap(shapley additive descriptions)を用いて,結果をより説明しやすくし,モデル比較をより透明にする。
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) - Improving Non-autoregressive Translation Quality with Pretrained
Language Model, Embedding Distillation and Upsampling Strategy for CTC [57.70351255180495]
本稿では,非自己回帰翻訳(NAT)モデルの翻訳品質を向上させるための一連の革新的な技術を紹介する。
我々は,NATモデルを効果的に訓練するために,CTCの損失を抑えたPMLM(Pretrained Multilingual Language Models)を提案する。
自動回帰モデルと比較して16.35倍の速度向上を示した。
論文 参考訳(メタデータ) (2023-06-10T05:24:29Z) - Short-Term Stock Price Forecasting using exogenous variables and Machine
Learning Algorithms [3.2732602885346576]
この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。
我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。
XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
論文 参考訳(メタデータ) (2023-05-17T07:04:32Z) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Better Language Model with Hypernym Class Prediction [101.8517004687825]
クラスベース言語モデル (LM) は、コンテキストの疎結合に$n$-gramのLMで対処するために長年開発されてきた。
本研究では,このアプローチをニューラルLMの文脈で再考する。
論文 参考訳(メタデータ) (2022-03-21T01:16:44Z) - Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。
RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。
この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-01-26T18:48:51Z) - Predicting The Stock Trend Using News Sentiment Analysis and Technical
Indicators in Spark [0.0]
機械学習モデルは、ある日のラベルを予測するのに役立つ。
その日に発表されたすべてのニュースから、その日の総合的な感情スコアが作成されます。
ランダムフォレストは63.58%のテスト精度で最高の性能を発揮した。
論文 参考訳(メタデータ) (2022-01-19T10:22:33Z) - Stock Movement Prediction with Financial News using Contextualized
Embedding from BERT [0.0]
我々は、FT-CE-RNN(Fun-Tuned Contextualized-Embedding Recurrent Neural Network)と呼ばれる新しいテキストマイニング手法を導入する。
我々のモデルは、変換器からの双方向表現(BERT)から生成される見出し(コンテキスト化された埋め込み)の文脈化されたベクトル表現を使用する。
他のベースラインモデルと比較して、精度とトレーディングシミュレーションの両方において大幅に改善されている。
論文 参考訳(メタデータ) (2021-07-19T09:47:28Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-09-29T22:54:30Z)
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。