論文の概要: Dynamic and Context-Dependent Stock Price Prediction Using Attention
Modules and News Sentiment
- arxiv url: http://arxiv.org/abs/2205.01639v1
- Date: Sun, 13 Mar 2022 15:13:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 05:33:11.300086
- Title: Dynamic and Context-Dependent Stock Price Prediction Using Attention
Modules and News Sentiment
- Title（参考訳）: 注意モジュールとニュースセンシティメントを用いた動的・文脈依存型株価予測
- Authors: Nicole Koenigstein
- Abstract要約: 本稿では,金融時系列データに対する新たなモデリング手法である$alpha_t$-RIM(リカレント・インディペンデント・メカニズム)を提案する。
このようなダイナミックな方法でデータをモデル化するために、$alpha_t$-RIMは指数的にスムーズなリカレントニューラルネットワークを使用する。
その結果、$alpha_t$-RIMは、株価とニュースセンチメントの因果構造、季節やトレンドを反映できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growth of machine-readable data in finance, such as alternative data,
requires new modeling techniques that can handle non-stationary and
non-parametric data. Due to the underlying causal dependence and the size and
complexity of the data, we propose a new modeling approach for financial time
series data, the $\alpha_{t}$-RIM (recurrent independent mechanism). This
architecture makes use of key-value attention to integrate top-down and
bottom-up information in a context-dependent and dynamic way. To model the data
in such a dynamic manner, the $\alpha_{t}$-RIM utilizes an exponentially
smoothed recurrent neural network, which can model non-stationary times series
data, combined with a modular and independent recurrent structure. We apply our
approach to the closing prices of three selected stocks of the S\&P 500
universe as well as their news sentiment score. The results suggest that the
$\alpha_{t}$-RIM is capable of reflecting the causal structure between stock
prices and news sentiment, as well as the seasonality and trends. Consequently,
this modeling approach markedly improves the generalization performance, that
is, the prediction of unseen data, and outperforms state-of-the-art networks
such as long short-term memory models.
- Abstract（参考訳）: 代替データのような金融における機械可読データの成長には、非定常データや非パラメトリックデータを扱う新しいモデリング技術が必要である。
基礎となる因果依存性とデータのサイズと複雑さから,金融時系列データに対する新たなモデリング手法である$\alpha_{t}$-rim (recurrent independent mechanism)を提案する。
このアーキテクチャはキーバリューの注意を使って、トップダウンとボトムアップの情報をコンテキストに依存して動的に統合する。
そのようなダイナミックな方法でデータをモデル化するために、$\alpha_{t}$-RIMは指数論的にスムーズなリカレントニューラルネットワークを使用し、非定常時系列データをモジュラーと独立のリカレント構造と組み合わせることができる。
我々は、s\&p 500宇宙の3つの選択された株式の終値とニュースの感想スコアにこのアプローチを適用した。
その結果、$\alpha_{t}$-rimは株価とニュースの感情の因果構造や季節性や傾向を反映していることが示唆された。
したがって、このモデリングアプローチは、非知覚データの一般化性能、すなわち予測を著しく改善し、長期短期記憶モデルのような最先端のネットワークを上回る。
関連論文リスト
- Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Deep incremental learning models for financial temporal tabular datasets
with distribution shifts [0.9790236766474201]
このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。
我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
論文 参考訳（メタデータ） (2023-03-14T14:10:37Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Online learning techniques for prediction of temporal tabular datasets
with regime changes [0.0]
時間パネルデータセットの予測をランキングするモジュール型機械学習パイプラインを提案する。
パイプラインのモジュラリティにより、GBDT(Gradient Boosting Decision Tree)やニューラルネットワークなど、さまざまなモデルの使用が可能になる。
モデルの再トレーニングを必要としないオンライン学習技術は、予測後の結果を高めるために使用することができる。
論文 参考訳（メタデータ） (2022-12-30T17:19:00Z) - Graph-Regularized Tensor Regression: A Domain-Aware Framework for
Interpretable Multi-Way Financial Modelling [23.030263841031633]
そこで我々は,グラフラプラシアン行列の形で,相互関係に関する知識をモデルに組み込む新しいグラフ正規化回帰(GRTR)フレームワークを開発した。
テンソル代数(英語版)により、提案されたフレームワークは係数と次元の両方で完全に解釈可能であることが示されている。
GRTRモデルは、マルチウェイの財務予測設定で検証され、計算コストの削減による性能向上が示されている。
論文 参考訳（メタデータ） (2022-10-26T13:39:08Z) - A Relational Intervention Approach for Unsupervised Dynamics
Generalization in Model-Based Reinforcement Learning [113.75991721607174]
同じ環境に属する2つの推定$hatz_i, hatz_j$の確率を推定するための介入予測モジュールを導入する。
提案手法により推定される$hatZ$は,従来の方法よりも冗長な情報が少ないことを実証的に示す。
論文 参考訳（メタデータ） (2022-06-09T15:01:36Z) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳（メタデータ） (2022-02-01T18:15:24Z) - A Scalable Inference Method For Large Dynamic Economic Systems [19.757929782329892]
本稿では,時間変化パラメータ自動回帰モデルを組み込む新しい変分ベイズ推論手法を提案する。
我々のモデルは、価格、個々のアクターのトランザクション、トランザクションフローの分析、価格の動きを含む大規模なブロックチェーンデータセットに適用されます。
我々は、機械学習アーキテクチャの助けを借りて、フォワードモデルに非線形性を導入することで、シンプルな状態空間モデリングをさらに改善する。
論文 参考訳（メタデータ） (2021-10-27T10:52:17Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - 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。