Fugu-MT 論文翻訳(概要): Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements

論文の概要: Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements

arxiv url: http://arxiv.org/abs/2202.03158v1
Date: Thu, 27 Jan 2022 20:32:46 GMT
ステータス: 処理完了
システム内更新日: 2022-02-13 14:54:46.202261
Title: Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements
Title（参考訳）: Dual-CLVSA:感覚計測による金融市場予測のための新しいディープラーニングアプローチ
Authors: Jia Wang, Hongwei Zhu, Jiancheng Shen, Yu Cao, Benyuan Liu
Abstract要約: 本稿では、取引データとそれに対応する社会的感情測定の両方を用いて、個別のシーケンス・ツー・シーケンス・チャネルを通じて、金融市場の動きを予測するための新しい深層学習手法であるDouble-CLVSAを提案する。その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることが明らかとなった。
参考スコア（独自算出の注目度）: 11.97251638872227
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: It is a challenging task to predict financial markets. The complexity of this task is mainly due to the interaction between financial markets and market participants, who are not able to keep rational all the time, and often affected by emotions such as fear and ecstasy. Based on the state-of-the-art approach particularly for financial market predictions, a hybrid convolutional LSTM Based variational sequence-to-sequence model with attention (CLVSA), we propose a novel deep learning approach, named dual-CLVSA, to predict financial market movement with both trading data and the corresponding social sentiment measurements, each through a separate sequence-to-sequence channel. We evaluate the performance of our approach with backtesting on historical trading data of SPDR SP 500 Trust ETF over eight years. The experiment results show that dual-CLVSA can effectively fuse the two types of data, and verify that sentiment measurements are not only informative for financial market predictions, but they also contain extra profitable features to boost the performance of our predicting system.
Abstract（参考訳）: 金融市場の予測は難しい課題である。このタスクの複雑さは、主に金融市場と市場参加者の相互作用によるもので、常に合理的に維持できず、恐怖や不安定感といった感情に影響されることが多い。特に金融市場予測のための最先端のアプローチに基づいて,ハイブリッド畳み込み型lstmに基づく変分シーケンス・トゥ・シークエンスモデル(clvsa)を提案し,取引データとそれに対応する社会的感情測定の両方を用いて金融市場の動きを予測する新しいディープラーニング手法であるdual-clvsaを提案する。本研究では,SPDR SP 500 Trust ETFの過去8年間のトレーディングデータに基づいて,提案手法の性能を評価する。その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることがわかった。

関連論文リスト

FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics [3.6423651166048874]
本稿では,双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとFinBERTを併用して,暗号通貨の予測精度を向上させるハイブリッドモデルを提案する。このアプローチは、先進的な時系列モデルと感情分析を組み合わせることで、不安定な金融市場の予測において重要なギャップを埋める。
論文参考訳（メタデータ） (2024-11-02T14:43:06Z)
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)
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)
Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文参考訳（メタデータ） (2023-08-07T14:21:05Z)
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)
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)
Univariate and Multivariate LSTM Model for Short-Term Stock Market Prediction [1.6114012813668934]
本稿では,インド企業2社の短期株価予測のための2つの異なる入力アプローチを持つLSTMモデルを提案する。 10年間の歴史的データ(2012-2021)を,ヤフー金融のウェブサイトから抽出し,提案手法の分析を行った。
論文参考訳（メタデータ） (2022-05-08T07:01:12Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)
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)
Predictive intraday correlations in stable and volatile market environments: Evidence from deep learning [2.741266294612776]
我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
論文参考訳（メタデータ） (2020-02-24T17:19:54Z)
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。