論文の概要: Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark

• arxiv url: http://arxiv.org/abs/2201.12283v1
• Date: Wed, 19 Jan 2022 10:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-06 09:00:14.991417
• Title: Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark
• Title（参考訳）: ニュースセンチメント分析とSparkにおける技術指標を用いた株価動向予測
• Authors: Taylan Kabbani (1 and 2), Fatih Enes Usta (3) ((1) Ozyegin University, (2) Huawei Turkey R&D Center, (3) Marmara University)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting the stock market trend has always been challenging since its movement is affected by many factors. Here, we approach the future trend prediction problem as a machine learning classification problem by creating tomorrow_trend feature as our label to be predicted. Different features are given to help the machine learning model predict the label of a given day; whether it is an uptrend or downtrend, those features are technical indicators generated from the stock's price history. In addition, as financial news plays a vital role in changing the investor's behavior, the overall sentiment score on a given day is created from all news released on that day and added to the model as another feature. Three different machine learning models are tested in Spark (big-data computing platform), Logistic Regression, Random Forest, and Gradient Boosting Machine. Random Forest was the best performing model with a 63.58% test accuracy.
• Abstract（参考訳）: 株式市場の動向を予測することは、その動きが多くの要因に影響されて以来、常に困難だった。 ここでは,明日_trend機能をラベルとして作成することにより,今後のトレンド予測問題を機械学習分類問題としてアプローチする。 機械学習モデルは、その日のラベルを予測するのに役立つように、異なる特徴が与えられている。 さらに、金融ニュースが投資家の行動を変える上で重要な役割を果たすため、その日の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、別の機能としてモデルに追加される。 Spark(ビッグデータコンピューティングプラットフォーム)、Logistic Regression、Random Forest、Gradient Boosting Machineの3つの異なる機械学習モデルがテストされている。 ランダムフォレストが63.58%の精度でベストパフォーマンスモデルであった。

関連論文リスト

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
  我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。 これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-06-10T11:42:30Z)
• 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)
• 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)
• TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data [1.5749416770494706]
  TM-vectorを導入し、次にこのベクトルを使ってIndRNNをトレーニングし、最終的に市場のユーザの振る舞いをモデル化します。 提案モデルでは,抽出したTwitter機能と市場情報の両方でTM-vectorを同時にトレーニングする。 提案手法の有効性には様々な要因が用いられている。
  論文  参考訳（メタデータ） (2023-03-13T18:55:41Z)
• 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)
• Stock price prediction using BERT and GAN [0.0]
  本稿では、株価を予測するための最先端の手法の集合体を提案する。 これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。 その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
  論文  参考訳（メタデータ） (2021-07-18T18:31:43Z)
• FitVid: Overfitting in Pixel-Level Video Prediction [117.59339756506142]
  われわれはFitVidという新しいアーキテクチャを導入し、一般的なベンチマークに厳しいオーバーフィッティングを行えるようにした。 FitVidは、4つの異なるメトリクスで4つの異なるビデオ予測ベンチマークで現在の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2021-06-24T17:20:21Z)
• 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)
• 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)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。