論文の概要: Stock2Vec: An Embedding to Improve Predictive Models for Companies

• arxiv url: http://arxiv.org/abs/2201.11290v1
• Date: Thu, 27 Jan 2022 02:57:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 15:00:22.365849
• Title: Stock2Vec: An Embedding to Improve Predictive Models for Companies
• Title（参考訳）: stock2vec:企業の予測モデルを改善する組込み
• Authors: Ziruo Yi, Ting Xiao, Kaz-Onyeakazi Ijeoma, Ratnam Cheran, Yuvraj Baweja, Phillip Nelson
• Abstract要約: 私たちは、どんな予測モデルにも簡単に追加できる企業株、Stock2Vecの埋め込みを作成します。 次に、応用機械学習問題への埋め込みを評価するための総合的な実験を行う。 実験の結果,Stock2Vec埋め込みの4つの機能は,既存のクロスコンパニオンモデルを容易に拡張できることがわかった。
• 参考スコア（独自算出の注目度）: 0.5872014229110215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building predictive models for companies often relies on inference using historical data of companies in the same industry sector. However, companies are similar across a variety of dimensions that should be leveraged in relevant prediction problems. This is particularly true for large, complex organizations which may not be well defined by a single industry and have no clear peers. To enable prediction using company information across a variety of dimensions, we create an embedding of company stocks, Stock2Vec, which can be easily added to any prediction model that applies to companies with associated stock prices. We describe the process of creating this rich vector representation from stock price fluctuations, and characterize what the dimensions represent. We then conduct comprehensive experiments to evaluate this embedding in applied machine learning problems in various business contexts. Our experiment results demonstrate that the four features in the Stock2Vec embedding can readily augment existing cross-company models and enhance cross-company predictions.
• Abstract（参考訳）: 企業の予測モデルの構築は、しばしば同じ産業分野の企業の過去のデータを用いた推測に依存する。 しかし、企業は関連する予測問題で活用されるべきさまざまな次元にわたって類似している。 これは、単一の業界で十分に定義されておらず、明確な仲間を持たない、大規模で複雑な組織に特に当てはまる。 さまざまな次元にわたる企業情報を用いた予測を可能にするため、企業株の埋め込みであるStock2Vecを作成し、関連する価格の企業に適用可能な予測モデルを容易に追加できる。 株価変動からこの豊かなベクトル表現を作成する過程を説明し、その次元が何を表現しているかを特徴付ける。 そして、様々なビジネスコンテキストにおける応用機械学習問題へのこの埋め込みを評価するための総合的な実験を行う。 実験の結果,Stock2Vec埋め込みの4つの特徴は,既存のクロスコンパニオンモデルを容易に拡張し,クロスコンパニオン予測を強化できることが示されている。

関連論文リスト

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Prediction-sharing During Training and Inference [12.461217702808202]
  予測モデルのみを共有する契約、推論時間のみを共有する契約、両方を共有する契約の違いについて検討する。 まず,本研究を円滑に進める一般ベイズ的枠組みを構築した。 分析の第3段階において、実ローンデータを用いた合成シミュレーションにおいて、概念の適用性を示す。
  論文  参考訳（メタデータ） (2024-03-26T09:18:50Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Company2Vec -- German Company Embeddings based on Corporate Websites [0.0]
  本稿では,企業2Vecを用いた表現学習における新しい応用法を提案する。 このモデルは、Word2Vecと次元還元を用いて、非構造化企業のWebサイトデータからビジネス活動を分析する。 企業2Vecはセマンティック言語構造を維持しており、粒状産業に効率的な企業埋め込みを創出している。
  論文  参考訳（メタデータ） (2023-07-18T15:14:09Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Benchmarking Machine Learning Models to Predict Corporate Bankruptcy [1.933681537640272]
  1990年から2019年までの2,585回の倒産の包括的サンプルを用いて、さまざまな機械学習モデルのパフォーマンスをベンチマークする。 勾配が増した木は1年ごとの予測で他のモデルを上回った。
  論文  参考訳（メタデータ） (2022-12-22T22:01:25Z)
• Transformer-Based Deep Learning Model for Stock Price Prediction: A Case Study on Bangladesh Stock Market [0.0]
  本稿では、ダッカ証券取引所(DSE)に上場する8銘柄の価格変動を予測するためのトランスフォーマーモデルの適用に焦点を当てる。 本実験は,ほとんどの株式において有望な結果と許容される根平均二乗誤差を示すものである。
  論文  参考訳（メタデータ） (2022-08-17T14:03:28Z)
• Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
  株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。 本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
  論文  参考訳（メタデータ） (2021-06-17T17:15:02Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)

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。