論文の概要: Research on the correlation between text emotion mining and stock market
based on deep learning
- arxiv url: http://arxiv.org/abs/2205.06675v1
- Date: Mon, 9 May 2022 12:51:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 11:16:23.214498
- Title: Research on the correlation between text emotion mining and stock market
based on deep learning
- Title(参考訳): ディープラーニングに基づくテキスト感情マイニングと株式市場との相関に関する研究
- Authors: Chenrui Zhang
- Abstract要約: 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。
- 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: This paper discusses how to crawl the data of financial forums such as stock
bar, and conduct emotional analysis combined with the in-depth learning model.
This paper will use the Bert model to train the financial corpus and predict
the Shenzhen stock index. Through the comparative study of the maximal
information coefficient (MIC), it is found that the emotional characteristics
obtained by applying the BERT model to the financial corpus can be reflected in
the fluctuation of the stock market, which is conducive to effectively improve
the prediction accuracy. At the same time, this paper combines in-depth
learning with financial texts to further explore the impact mechanism of
investor sentiment on the stock market through in-depth learning, which will
help the national regulatory authorities and policy departments to formulate
more reasonable policies and guidelines for maintaining the stability of the
stock market.
- Abstract(参考訳): 本稿では,ストックバーなどの金融フォーラムのデータをクロールし,深層学習モデルと組み合わせて感情分析を行う方法について論じる。
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。
最大情報係数 (MIC) の比較研究により, 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が, 株価の変動に反映され, 予測精度を効果的に向上させることができることがわかった。
同時に、深層学習と財務文書を組み合わせることで、詳細な学習を通じて、投資家の感情が株式市場に与える影響のメカニズムをさらに探求し、これは、株式市場の安定性を維持するためのより合理的な政策やガイドラインを、国家規制当局や政策部門が定式化するのに役立ちます。
関連論文リスト
- Can Large Language Models Beat Wall Street? Unveiling the Potential of
AI in Stock Selection [0.08192907805418582]
MarketSenseAIは、スケーラブルなストックセレクションにGPT-4の高度な推論機能を活用するAI駆動のフレームワークである。
MarketSenseAIは、コジェントな説明によって支援された実行可能な投資シグナル(購入、保持、販売)を提供する。
S&P100種株価に対する実証的な評価で、MarketSenseAIは13%上昇し、最大40%のリターンを記録した。
論文 参考訳(メタデータ) (2024-01-08T08:58:46Z) - 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Identifying Trades Using Technical Analysis and ML/DL Models [1.181206257787103]
株式市場の価格予測の重要性は過大評価できない。
投資家は投資決定をインフォームドし、リスクを管理し、金融システムの安定性を確保することができる。
ディープラーニングは株価を正確に予測する上で有望だが、まだ多くの研究が続けられている。
論文 参考訳(メタデータ) (2023-04-12T18:46:35Z) - Deep learning based Chinese text sentiment mining and stock market
correlation research [6.000327333763521]
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。
論文 参考訳(メタデータ) (2022-05-10T08:35:33Z) - HiSA-SMFM: Historical and Sentiment Analysis based Stock Market
Forecasting Model [3.6704226968275258]
本研究の目的は、企業の金融株の将来を精度良く予測することである。
感情分析の分野での既存の研究を分析した結果、株価の動きとニュース記事の発行との間には強い相関関係があることが判明した。
論文 参考訳(メタデータ) (2022-03-10T17:03:38Z) - 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) - 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) - 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) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳(メタデータ) (2020-02-09T08:10:03Z)
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。