論文の概要: Astock: A New Dataset and Automated Stock Trading based on
Stock-specific News Analyzing Model
- arxiv url: http://arxiv.org/abs/2206.06606v1
- Date: Tue, 14 Jun 2022 05:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 13:22:30.775403
- Title: Astock: A New Dataset and Automated Stock Trading based on
Stock-specific News Analyzing Model
- Title(参考訳): astock: 株価固有のニュース分析モデルに基づく新しいデータセットと自動株式取引
- Authors: Jinan Zou, Haiyao Cao, Lingqiao Liu, Yuhao Lin, Ehsan Abbasnejad,
Javen Qinfeng Shi
- Abstract要約: 我々はNLP支援株自動取引アルゴリズムを体系的に研究するプラットフォームを構築した。
それぞれの株について財務的なニュースを提供する。
私たちは各株に様々な株価要因を提供します。
より財務的な指標からパフォーマンスを評価する。
- 参考スコア(独自算出の注目度): 21.05128751957895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Natural Language Processing(NLP) demonstrates a great potential to support
financial decision-making by analyzing the text from social media or news
outlets. In this work, we build a platform to study the NLP-aided stock
auto-trading algorithms systematically. In contrast to the previous work, our
platform is characterized by three features: (1) We provide financial news for
each specific stock. (2) We provide various stock factors for each stock. (3)
We evaluate performance from more financial-relevant metrics. Such a design
allows us to develop and evaluate NLP-aided stock auto-trading algorithms in a
more realistic setting. In addition to designing an evaluation platform and
dataset collection, we also made a technical contribution by proposing a system
to automatically learn a good feature representation from various input
information. The key to our algorithm is a method called semantic role labeling
Pooling (SRLP), which leverages Semantic Role Labeling (SRL) to create a
compact representation of each news paragraph. Based on SRLP, we further
incorporate other stock factors to make the final prediction. In addition, we
propose a self-supervised learning strategy based on SRLP to enhance the
out-of-distribution generalization performance of our system. Through our
experimental study, we show that the proposed method achieves better
performance and outperforms all the baselines' annualized rate of return as
well as the maximum drawdown of the CSI300 index and XIN9 index on real
trading. Our Astock dataset and code are available at
https://github.com/JinanZou/Astock.
- Abstract(参考訳): 自然言語処理(nlp)は、ソーシャルメディアやニュースメディアからのテキストを分析して金融意思決定を支援する大きな可能性を示している。
本研究では,NLP支援株自動取引アルゴリズムを体系的に研究するプラットフォームを構築する。
これまでの研究とは対照的に, 当社のプラットフォームには, 1) 特定株ごとに財務ニュースを提供する3つの特徴がある。
2)各株に種々の株価要因を提供する。
(3) より財務的な指標からパフォーマンスを評価する。
このような設計により、より現実的な環境でNLP支援ストックオートトレーディングアルゴリズムの開発と評価が可能となる。
評価プラットフォームとデータセットコレクションの設計に加えて,様々な入力情報から優れた特徴表現を自動的に学習するシステムを提案することにより,技術的貢献も行った。
このアルゴリズムの鍵となるのは、意味的役割ラベル付け(SRLP)と呼ばれる手法であり、これは意味的役割ラベル付け(SRL)を利用して、各ニュース段落のコンパクトな表現を生成する。
SRLPに基づいて、最終的な予測を行うために、他の株価要因をさらに取り入れる。
さらに,SRLPに基づく自己教師型学習戦略を提案する。
実験により,提案手法は実取引におけるCSI300指数とXIN9指数の最大値の低下だけでなく,すべてのベースラインの年次リターン率を向上し,性能を向上することを示した。
当社のastockデータセットとコードは、https://github.com/jinanzou/astock.comから入手できます。
関連論文リスト
- Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳(メタデータ) (2024-02-25T05:23:57Z) - Self-Play Fine-Tuning Converts Weak Language Models to Strong Language
Models [56.84735912476625]
本稿では,SPIN(Self-Play fIne-tuNing)と呼ばれるファインチューニング手法を提案する。
SPINの中心には自己再生機構があり、LLMは自身のインスタンスと対戦することでその能力を洗練させる。
このことは、自己プレイの約束に光を当て、熟練した相手を必要とせずに、LSMにおける人間レベルのパフォーマンスの達成を可能にする。
論文 参考訳(メタデータ) (2024-01-02T18:53:13Z) - Forecasting Cryptocurrency Prices Using Deep Learning: Integrating
Financial, Blockchain, and Text Data [3.8443430569753025]
我々は、先進的なディープラーニングNLP手法を用いて、公開感情が暗号通貨評価に与える影響を分析する。
我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。
我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが,市場感情を捉える上で極めて有効であることを発見した。
論文 参考訳(メタデータ) (2023-11-23T16:14:44Z) - Integrating Stock Features and Global Information via Large Language
Models for Enhanced Stock Return Prediction [5.762650600435391]
本稿では,大規模言語モデルと既存の定量的モデルを統合する上での課題を克服するために,2つのコンポーネントからなる新しいフレームワークを提案する。
我々はランク情報係数とリターンにおいて、特に中国A株市場における株価のみに依存したモデルと比較して、優れたパフォーマンスを示してきた。
論文 参考訳(メタデータ) (2023-10-09T11:34:18Z) - Logic-guided Deep Reinforcement Learning for Stock Trading [9.90198830519937]
我々はSYENS(Program Synthesis-based Ensemble Strategy)と呼ばれる新しい論理誘導取引フレームワークを提案する。
我々は、キャッシュトレーディングとマージントレーディング設定の下で、30ダウ・ジョーンズ株のSYENSを評価する。
論文 参考訳(メタデータ) (2023-10-09T09:20:13Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data
Selection for Instruction Tuning [54.222609226692015]
我々は大規模言語モデルのための自己誘導手法を導入し、大規模なオープンソースデータセットからサクラサンプルを自律的に識別し、選択する。
私たちの重要なイノベーションであるIFD(Instruction-Following Difficulty)メトリックは、モデルが期待する応答と自動生成技術との間の相違を識別するための重要なツールとして現れます。
論文 参考訳(メタデータ) (2023-08-23T09:45:29Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳(メタデータ) (2023-04-25T22:17:31Z) - Compatible deep neural network framework with financial time series
data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。
この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
論文 参考訳(メタデータ) (2022-05-11T20:44:08Z) - Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data
Programming [77.38174112525168]
私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
論文 参考訳(メタデータ) (2022-03-02T19:57:32Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z)
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。