論文の概要: S&P 500 Stock Price Prediction Using Technical, Fundamental and Text Data

• arxiv url: http://arxiv.org/abs/2108.10826v1
• Date: Tue, 24 Aug 2021 16:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 14:25:43.887320
• Title: S&P 500 Stock Price Prediction Using Technical, Fundamental and Text Data
• Title（参考訳）: 技術・基本・テキストデータを用いたS&P 500株価予測
• Authors: Shan Zhong and David B. Hitchcock
• Abstract要約: 株価予測に使用される一般的な予測モデルと新しい予測モデルの両方をまとめた。 S&Pの株価を予測するために、技術的な指標、基本的な特徴、テキストベースの感情データと組み合わせました。 S&P 500指数の方向予測における66.18%の精度と、個人株の方向予測における62.09%の精度が達成された。
• 参考スコア（独自算出の注目度）: 5.420890357732937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We summarized both common and novel predictive models used for stock price prediction and combined them with technical indices, fundamental characteristics and text-based sentiment data to predict S&P stock prices. A 66.18% accuracy in S&P 500 index directional prediction and 62.09% accuracy in individual stock directional prediction was achieved by combining different machine learning models such as Random Forest and LSTM together into state-of-the-art ensemble models. The data we use contains weekly historical prices, finance reports, and text information from news items associated with 518 different common stocks issued by current and former S&P 500 large-cap companies, from January 1, 2000 to December 31, 2019. Our study's innovation includes utilizing deep language models to categorize and infer financial news item sentiment; fusing different models containing different combinations of variables and stocks to jointly make predictions; and overcoming the insufficient data problem for machine learning models in time series by using data across different stocks.
• Abstract（参考訳）: 我々は、株価予測に使用される一般的な予測モデルと新しい予測モデルの両方を要約し、S&P株価予測に技術的指標、基本特性、テキストベースの感情データと組み合わせた。 S&P 500指数方向予測における66.18%の精度と、個々の株式方向予測における62.09%の精度は、ランダムフォレストやLSTMといった異なる機械学習モデルと最先端のアンサンブルモデルを組み合わせて達成された。 2000年1月1日から2019年12月31日までに、現在および元S&P500の大型企業から発行されている518の異なる普通株に関する週毎の歴史的価格、財務報告、およびニュース情報が含まれています。 本研究のイノベーションは,金融ニュース項目の感情を分類・推定するために深層言語モデルを活用すること,変数と株価の異なる組み合わせを含む異なるモデルを融合して予測を行うこと,異なる株間でのデータを用いて時系列で機械学習モデルの不十分なデータ問題を克服すること,などである。

関連論文リスト

• 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)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Predicting Day-Ahead Stock Returns using Search Engine Query Volumes: An Application of Gradient Boosted Decision Trees to the S&P 100 [0.0]
  本論は、金融資本市場における株価の将来のリターンを予測するために、この情報を活用できるかどうかという疑問に答えることを目的としている。 S&P100指数内の株価の異常なリターンと、過去の財務データから得られたラッジした予測値の関係を学習するため、グラデーションアップされた決定ツリーを実装している。 金融と経済のモデリングと予測のためのインターネット利用行動のデータの使用と変換に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2022-05-31T14:58:46Z)
• Multivariate Realized Volatility Forecasting with Graph Neural Network [0.0]
  ボラティリティ予測のためのグラフトランスフォーマーネットワークを導入する。 モデルは、制限順序帳の特徴と、異なるソースからの時間的および横断的な関係を無制限に組み合わせる。 S&P500種株価指数(S&P500種株価指数)の約500株に基づく実験では、他のベンチマークよりもモデルのパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2021-12-16T16:49:32Z)
• 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)
• MegazordNet: combining statistical and machine learning standpoints for time series forecasting [0.4061135251278187]
  MegazordNetは、時系列予測のための構造化ディープラーニングモデルと組み合わせて、金融シリーズ内の統計的特徴を探求するフレームワークである。 我々は,S&P500株の終値を予測する手法の評価を行った。
  論文  参考訳（メタデータ） (2021-06-23T15:06:54Z)
• Financial Markets Prediction with Deep Learning [11.26482563151052]
  金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。 カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。 我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
  論文  参考訳（メタデータ） (2021-04-05T19:36:48Z)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)
• 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)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。