Fugu-MT 論文翻訳(概要): Realised Volatility Forecasting: Machine Learning via Financial Word Embedding

論文の概要: Realised Volatility Forecasting: Machine Learning via Financial Word Embedding

arxiv url: http://arxiv.org/abs/2108.00480v3
Date: Fri, 15 Nov 2024 12:28:11 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-19 14:30:17.323175
Title: Realised Volatility Forecasting: Machine Learning via Financial Word Embedding
Title（参考訳）: 現実のボラティリティ予測 - 財務用語の埋め込みによるマシンラーニング
Authors: Eghbal Rahimikia, Stefan Zohren, Ser-Huang Poon,
Abstract要約: 本研究は15年間のビジネスニュースを用いた財務用語の埋め込みを開発する。応用として、この単語を単純な機械学習モデルに組み込んで、実現されたボラティリティを予測するためのHARモデルを強化する。
参考スコア（独自算出の注目度）: 4.2193475197905705
License:
Abstract: This study develops a financial word embedding using 15 years of business news. Our results show that this specialised language model produces more accurate results than general word embeddings, based on a financial benchmark we established. As an application, we incorporate this word embedding into a simple machine learning model to enhance the HAR model for forecasting realised volatility. This approach statistically and economically outperforms established econometric models. Using an explainable AI method, we also identify key phrases in business news that contribute significantly to volatility, offering insights into language patterns tied to market dynamics.
Abstract（参考訳）: 本研究は15年間のビジネスニュースを用いた財務用語の埋め込みを開発する。これらの結果から,この特化言語モデルにより,一般的な単語の埋め込みよりも精度の高い結果が得られることがわかった。応用として、この単語を単純な機械学習モデルに組み込んで、実現されたボラティリティを予測するためのHARモデルを強化する。このアプローチは、統計的、経済的に確立された計量モデルよりも優れている。また、説明可能なAI手法を用いて、ボラティリティに大きく寄与するビジネスニュースの重要なフレーズを特定し、市場ダイナミクスに関連する言語パターンに関する洞察を提供する。

関連論文リスト

Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文参考訳（メタデータ） (2024-08-13T04:53:31Z)
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 [51.34222224728979]
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)
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)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
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)

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。