論文の概要: Tracking Turbulence Through Financial News During COVID-19

• arxiv url: http://arxiv.org/abs/2109.04369v1
• Date: Thu, 9 Sep 2021 15:55:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 18:33:38.116844
• Title: Tracking Turbulence Through Financial News During COVID-19
• Title（参考訳）: 新型コロナウイルス感染拡大に伴う金融ニュースの乱流追跡
• Authors: Philip Hossu and Natalie Parde
• Abstract要約: 我々は、2020年のパンデミックの米国金融崩壊における金融出版物の感情に関する関係を明らかにし、議論する。 まず、アメリカの大手金融ニュース出版社の記事に対して、金融感情に関する専門的な注釈をいくつか紹介する。 探索的なデータ分析の後、金融感情を予測するタスクに対処するCNNベースのアーキテクチャについて述べる。
• 参考スコア（独自算出の注目度）: 12.031113181911627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grave human toll notwithstanding, the COVID-19 pandemic created uniquely unstable conditions in financial markets. In this work we uncover and discuss relationships involving sentiment in financial publications during the 2020 pandemic-motivated U.S. financial crash. First, we introduce a set of expert annotations of financial sentiment for articles from major American financial news publishers. After an exploratory data analysis, we then describe a CNN-based architecture to address the task of predicting financial sentiment in this anomalous, tumultuous setting. Our best performing model achieves a maximum weighted F1 score of 0.746, establishing a strong performance benchmark. Using predictions from our top performing model, we close by conducting a statistical correlation study with real stock market data, finding interesting and strong relationships between financial news and the S\&P 500 index, trading volume, market volatility, and different single-factor ETFs.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックは、金融市場でユニークな不安定な状況を生み出した。 本稿では、2020年のパンデミックによる米国の金融危機における金融出版物における感情関係を明らかにするとともに、その関連について論じる。 まず、アメリカの大手金融ニュース出版社の記事に対して、金融センチメントの専門的注釈のセットを紹介する。 探索的なデータ分析の後、我々はCNNベースのアーキテクチャを記述し、この異常で不安定な環境での金銭的感情を予測するタスクに対処する。 我々の最高の性能モデルでは、最大重み付きF1スコアが0.746に達し、強力な性能ベンチマークが確立される。 トップパフォーマンスモデルからの予測を用いて、実際の株式市場データとの統計的相関研究を行い、金融ニュースとs\&p500種株価指数、取引量、市場のボラティリティ、および異なる1要素etfの間の興味深い強い関係を見出した。

関連論文リスト

• Cross-Lingual News Event Correlation for Stock Market Trend Prediction [0.1398098625978622]
  本研究では、構造的金融データセットを作成することにより、多様なグローバル経済における金融動態の理解のギャップを解消する。 我々は、財務事象の時系列を抽出、地図化、可視化するために、ニュース記事の分析を行った。 本手法は,株価変動と言語間ニュース感情との間に有意な相関関係を示した。
  論文  参考訳（メタデータ） (2024-09-16T06:45:40Z)
• Enhancing Financial Market Predictions: Causality-Driven Feature Selection [3.7426958478253254]
  FinSenデータセットは、197カ国の経済・金融ニュース記事と株式市場データを統合している。 本研究は、市場予測精度と信頼性を高めるために、因果検証された感情スコアとLSTMモデルを活用する。
  論文  参考訳（メタデータ） (2024-08-02T04:40:15Z)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• 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)
• Sentiment-driven prediction of financial returns: a Bayesian-enhanced FinBERT approach [1.131316248570352]
  本研究では、FinBERT大言語モデルを用いて、ツイートから抽出した感情情報を活用する効果を示す。 この成功は、バックテストトレーディング中に明らかに高い累積利益をもたらす。
  論文  参考訳（メタデータ） (2024-03-07T11:56:36Z)
• PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
  PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。 我々はLLaMAを細調整してFinMAを提案する。 我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
  論文  参考訳（メタデータ） (2023-06-08T14:20:29Z)
• 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)
• 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)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• 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。