論文の概要: Deep learning based Chinese text sentiment mining and stock market correlation research

• arxiv url: http://arxiv.org/abs/2205.04743v1
• Date: Tue, 10 May 2022 08:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 21:00:24.398306
• Title: Deep learning based Chinese text sentiment mining and stock market correlation research
• Title（参考訳）: 深層学習に基づく中国語テキスト感情マイニングと株式市場相関研究
• Authors: Chenrui Zhang
• Abstract要約: 我々は、ストックバーなどの金融フォーラムデータをクロールして、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。 本稿では、BERTモデルを用いて、財務コーパスに対するトレーニングを行い、SZSE成分指数を予測する。 得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つだろう。
• 参考スコア（独自算出の注目度）: 6.000327333763521
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We explore how to crawl financial forum data such as stock bars and combine them with deep learning models for sentiment analysis. In this paper, we will use the BERT model to train against the financial corpus and predict the SZSE Component Index, and find that applying the BERT model to the financial corpus through the maximum information coefficient comparison study. The obtained sentiment features will be able to reflect the fluctuations in the stock market and help to improve the prediction accuracy effectively. Meanwhile, this paper combines deep learning with financial text, in further exploring the mechanism of investor sentiment on stock market through deep learning method, which will be beneficial for national regulators and policy departments to develop more reasonable policy guidelines for maintaining the stability of stock market.
• Abstract（参考訳）: 我々は、ストックバーなどの金融フォーラムデータをクロールし、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。 本稿では,金融コーパスに対する学習とszse成分指数の予測にbertモデルを用い,最大情報係数比較による金融コーパスへのbertモデルの適用を見出す。 得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つ。 一方, 深層学習と財務資料を組み合わせることで, 深層学習を通じて株式市場に対する投資家の感情のメカニズムを探求し, 株式市場の安定を維持するためのより合理的な政策ガイドラインを策定する上で, 国家規制や政策部門にとって有益であると考えられる。

関連論文リスト

• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning [0.0]
  この研究は、既存の株価予測手法に関する文献に基づいており、機械学習とディープラーニングアプローチへのシフトを強調している。 LSTMモデルでは、NSE、インドに上場している18のセクターで180銘柄の歴史的株価を用いて、将来の価格を予測する。 その結果,株価を正確に予測し,投資決定を下す上でLSTMモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-05-28T17:55:54Z)
• BERTopic-Driven Stock Market Predictions: Unraveling Sentiment Insights [0.0]
  NLP技術であるBERTopicを用いて、株式市場のコメントから派生したトピックの感情を分析する。 本手法は,この感情分析と様々な深層学習モデルを統合し,時系列およびストック予測タスクの有効性で有名である。 その結果、株式市場のコメントの話題は、株式市場のボラティリティと価格トレンドに関する暗黙の貴重な洞察を提供することを示している。
  論文  参考訳（メタデータ） (2024-04-02T15:50:10Z)
• 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)
• Ploutos: Towards interpretable stock movement prediction with financial large language model [43.51934592920784]
  PloutosはPloutosGenとPloutosGPTで構成される新しい金融フレームワークである。 PloutosGenには、テキストや数値など、さまざまなモーダルデータを分析し、異なる観点から定量的戦略を提供する、複数の主要な専門家が含まれている。 PloutosGPTのトレーニング戦略は、GPT-4を誘導して合理性を生成するリアビューミラープロンプト機構と、LLMを微調整するための動的トークン重み付け機構を活用する。
  論文  参考訳（メタデータ） (2024-02-18T10:28:18Z)
• 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)
• 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)
• Research on the correlation between text emotion mining and stock market based on deep learning [6.000327333763521]
  本稿では,Bertモデルを用いて金融コーパスをトレーニングし,深セン株価指数を予測する。 その結果,BERTモデルを金融コーパスに適用することにより得られる感情特性は,株式市場の変動に反映できることがわかった。
  論文  参考訳（メタデータ） (2022-05-09T12:51:16Z)
• 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)

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。