論文の概要: HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information

• arxiv url: http://arxiv.org/abs/2110.13716v1
• Date: Tue, 26 Oct 2021 14:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 19:03:46.625356
• Title: HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information
• Title（参考訳）: HIST:マイニングコンセプト指向共有情報による株価トレンド予測のためのグラフベースのフレームワーク
• Authors: Wentao Xu, Weiqing Liu, Lewen Wang, Yingce Xia, Jiang Bian, Jian Yin, Tie-Yan Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 73.40830291141035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stock trend forecasting, which forecasts stock prices' future trends, plays an essential role in investment. The stocks in a market can share information so that their stock prices are highly correlated. Several methods were recently proposed to mine the shared information through stock concepts (e.g., technology, Internet Retail) extracted from the Web to improve the forecasting results. However, previous work assumes the connections between stocks and concepts are stationary, and neglects the dynamic relevance between stocks and concepts, limiting the forecasting results. Moreover, existing methods overlook the invaluable shared information carried by hidden concepts, which measure stocks' commonness beyond the manually defined stock concepts. To overcome the shortcomings of previous work, we proposed a novel stock trend forecasting framework that can adequately mine the concept-oriented shared information from predefined concepts and hidden concepts. The proposed framework simultaneously utilize the stock's shared information and individual information to improve the stock trend forecasting performance. Experimental results on the real-world tasks demonstrate the efficiency of our framework on stock trend forecasting. The investment simulation shows that our framework can achieve a higher investment return than the baselines.
• Abstract（参考訳）: 株価の将来のトレンドを予測する株価予測は、投資において重要な役割を果たす。 市場の株価は情報を共有することができ、株価が極めて相関している。 近年,Webから抽出したストックコンセプト(技術,インターネット小売など)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。 しかし、以前の研究では、株と概念のつながりは定常であり、株と概念のダイナミックな関連性を無視し、予測結果を制限している。 さらに,既存手法は,手動で定義した株式概念を超えて,株式の共通性を計測する,隠蔽概念が持つ貴重な共有情報を見落としている。 先行研究の欠点を克服するために,概念指向の共有情報を,事前定義された概念と隠れた概念から適切にマイニングできる,新たな株価トレンド予測フレームワークを提案する。 提案手法は,株の共有情報と個別情報とを併用して株価トレンド予測性能を向上させる。 実世界の課題に対する実験結果から,ストックトレンド予測におけるフレームワークの有効性が示された。 投資シミュレーションは、我々のフレームワークがベースラインよりも高い投資リターンを達成することを示す。

関連論文リスト

• 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)
• ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock Movement and Volatility Prediction [20.574163667057476]
  我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。 我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。 市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-28T13:31:39Z)
• 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)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• FinGAT: Financial Graph Attention Networks for Recommending Top-K Profitable Stocks [10.302225525539006]
  株価の時系列をモデル化する既存のアプローチでは、株価とセクター間の関係は無視されるか、事前に定義される。 本稿では,この課題に対処するための新しいディープラーニングモデルであるFinancial Graph Attention Networks (FinGAT)を提案する。 台湾株、S&P500およびNASDAQデータセットを用いた実験は、顕著なレコメンデーション性能を示した。
  論文  参考訳（メタデータ） (2021-06-18T14:51:14Z)
• 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)
• 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。