論文の概要: Stock Embeddings: Learning Distributed Representations for Financial
Assets
- arxiv url: http://arxiv.org/abs/2202.08968v1
- Date: Mon, 14 Feb 2022 15:39:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 21:21:22.052068
- Title: Stock Embeddings: Learning Distributed Representations for Financial
Assets
- Title(参考訳): 株式埋め込み:金融資産の分散表現を学ぶ
- Authors: Rian Dolphin, Barry Smyth, Ruihai Dong
- Abstract要約: 本稿では,過去のリターンデータのダイナミクスを利用する,ストック埋め込みのトレーニングのためのニューラルモデルを提案する。
当社のアプローチを詳細に説明し、金融分野で使用可能ないくつかの方法について論じる。
- 参考スコア(独自算出の注目度): 11.67728795230542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying meaningful relationships between the price movements of financial
assets is a challenging but important problem in a variety of financial
applications. However with recent research, particularly those using machine
learning and deep learning techniques, focused mostly on price forecasting, the
literature investigating the modelling of asset correlations has lagged
somewhat. To address this, inspired by recent successes in natural language
processing, we propose a neural model for training stock embeddings, which
harnesses the dynamics of historical returns data in order to learn the nuanced
relationships that exist between financial assets. We describe our approach in
detail and discuss a number of ways that it can be used in the financial
domain. Furthermore, we present the evaluation results to demonstrate the
utility of this approach, compared to several important benchmarks, in two
real-world financial analytics tasks.
- Abstract(参考訳): 金融資産の価格変動と有意義な関係を明らかにすることは、さまざまな金融アプリケーションにおいて難しいが重要な問題である。
しかし、最近の研究、特に機械学習やディープラーニング技術が価格予測に重点を置いているため、資産相関のモデル化を調査する文献は幾分遅れている。
そこで本研究では,近年の自然言語処理の成功に触発されて,歴史的リターンデータのダイナミクスを活用して,財務資産間に存在する微妙な関係を学習する,ストック埋め込みのトレーニングモデルを提案する。
私たちはこのアプローチを詳細に説明し、金融領域で使用できるいくつかの方法について論じます。
さらに,本手法の有用性を示すために,実世界の2つの金融分析タスクにおいて,いくつかの重要なベンチマークと比較し,評価結果を示す。
関連論文リスト
- Large Language Model Adaptation for Financial Sentiment Analysis [2.0499240875882]
一般言語モデルは、金融に特化されたタスクでは不足する傾向にある。
1.5B未満のパラメータを持つ2つの基礎モデルは、幅広い戦略を用いて適応されている。
小型LLMは大規模モデルに匹敵する性能を有しつつ,パラメータやデータの観点からも効率がよいことを示す。
論文 参考訳(メタデータ) (2024-01-26T11:04:01Z) - Instruct-FinGPT: Financial Sentiment Analysis by Instruction Tuning of
General-Purpose Large Language Models [18.212210748797332]
本稿では,これらの問題に対処する簡易かつ効果的な命令チューニング手法を提案する。
実験では, 最先端の教師付き感情分析モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-22T03:56:38Z) - 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) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - 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) - FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。
我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。
その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
論文 参考訳(メタデータ) (2021-09-01T00:08:14Z) - Algorithms for Learning Graphs in Financial Markets [5.735035463793008]
ラプラシアン構造制約下での無向グラフィカルモデル学習の基本問題について検討する。
我々は,ラプラシアン行列を金融資産の精密行列のモデルとして用いるための実証的証拠によって裏付けられた自然な正当化を提案する。
我々は,非方向重み付きグラフを学習するための乗算器の交互方向法に基づく数値アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-12-31T02:48:35Z) - Navigating the Dynamics of Financial Embeddings over Time [0.0]
スケーラブルな動的環境におけるグラフ表現学習の応用を提案する。
我々は、現実の洞察を抽出するために、潜航軌道の厳密な定性的分析を行う。
論文 参考訳(メタデータ) (2020-07-01T16:27:31Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳(メタデータ) (2020-03-06T06:28:17Z) - 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。