論文の概要: Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks

• arxiv url: http://arxiv.org/abs/2206.12528v1
• Date: Sat, 25 Jun 2022 01:54:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 15:52:58.923189
• Title: Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks
• Title（参考訳）: 企業報告書公開後の株価変動予測:2021年中国CSI300株を事例として
• Authors: Fengyu Han and Yue Wang
• Abstract要約: 本研究は、同社の年次報告の公表直後の2日目の株価の推移を予測するものである。 決定木、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、プロトタイプネットワークなど、さまざまなモデルを使用します。 我々は、同社の年次報告書に基づく財務指標によれば、株価変動の予測可能性が弱いと結論付けている。
• 参考スコア（独自算出の注目度）: 4.5885930040346565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the current stock market, computer science and technology are more and more widely used to analyse stocks. Not same as most related machine learning stock price prediction work, this work study the predicting the tendency of the stock price on the second day right after the disclosure of the companies' annual reports. We use a variety of different models, including decision tree, logistic regression, random forest, neural network, prototypical networks. We use two sets of financial indicators (key and expanded) to conduct experiments, these financial indicators are obtained from the EastMoney website disclosed by companies, and finally we find that these models are not well behaved to predict the tendency. In addition, we also filter stocks with ROE greater than 0.15 and net cash ratio greater than 0.9. We conclude that according to the financial indicators based on the just-released annual report of the company, the predictability of the stock price movement on the second day after disclosure is weak, with maximum accuracy about 59.6% and maximum precision about 0.56 on our test set by the random forest classifier, and the stock filtering does not improve the performance. And random forests perform best in general among all these models which conforms to some work's findings.
• Abstract（参考訳）: 現在の株式市場では、コンピューター科学とテクノロジーが株式の分析にますます広く使われている。 この研究は、機械学習の株価予測作業とほぼ同様ではなく、同社の年次報告書の公表直後の2日目の株価の傾向を予測するものである。 決定木,ロジスティック回帰,ランダムフォレスト,ニューラルネットワーク,プロトタイプネットワークなど,さまざまなモデルを用いています。 実験には2組の金融指標(キーと拡張)を使用し、企業によって開示されたEastMoneyのウェブサイトからこれらの金融指標を取得し、最終的にこれらのモデルが傾向を予測するためにうまく振る舞っていないことに気付きました。 また、ROEが0.15以上、純現金比が0.9以上である株もフィルタする。 発表後2日目の株価変動の予測可能性については, 未発表の年次報告に基づく財務指標から, ランダム森林分類器による試験において, 最大精度は59.6%, 最大精度は0.56であり, 株価ろ過性能は改善していないと結論した。 そして、ランダムな森林は、いくつかの研究結果に適合するこれらのモデルの中で、一般的に最もよく機能する。

関連論文リスト

• 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)
• Benchmarking Machine Learning Models to Predict Corporate Bankruptcy [1.933681537640272]
  1990年から2019年までの2,585回の倒産の包括的サンプルを用いて、さまざまな機械学習モデルのパフォーマンスをベンチマークする。 勾配が増した木は1年ごとの予測で他のモデルを上回った。
  論文  参考訳（メタデータ） (2022-12-22T22:01:25Z)
• Predicting Day-Ahead Stock Returns using Search Engine Query Volumes: An Application of Gradient Boosted Decision Trees to the S&P 100 [0.0]
  本論は、金融資本市場における株価の将来のリターンを予測するために、この情報を活用できるかどうかという疑問に答えることを目的としている。 S&P100指数内の株価の異常なリターンと、過去の財務データから得られたラッジした予測値の関係を学習するため、グラデーションアップされた決定ツリーを実装している。 金融と経済のモデリングと予測のためのインターネット利用行動のデータの使用と変換に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2022-05-31T14:58:46Z)
• Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model [0.0]
  本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。 このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。 結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
  論文  参考訳（メタデータ） (2021-11-09T07:50:48Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Economic Recession Prediction Using Deep Neural Network [26.504845007567972]
  本稿では,米国における景気後退の開始と終了を予測するための最も正確なモデルとして,オートエンコーダを用いたBi-LSTMの深層学習手法を同定する。 我々は、さまざまな機械学習モデルの能力を比較して、サンプル内とサンプル外の両方で優れた予測を生成するために、一般的なマクロおよびマーケットコンディション機能を採用する。
  論文  参考訳（メタデータ） (2021-07-21T22:55:14Z)
• Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
  株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。 本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
  論文  参考訳（メタデータ） (2021-06-17T17:15:02Z)
• 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)
• Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。 我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
  論文  参考訳（メタデータ） (2020-11-07T16:07:10Z)
• Uncertainty-Aware Lookahead Factor Models for Quantitative Investing [25.556824322478935]
  最初にシミュレーションを通して、将来の基本に基づいて計算された要因によって株式を選択することができれば、ポートフォリオは標準因子モデルよりもはるかに優れていることを示します。 本稿では、これらの予測された未来基本を従来の要因にプラグインするルックアヘッドファクターモデルを提案する。 振り返り分析では、業界レベルのポートフォリオシミュレータを活用し、年次リターンとシャープ比の同時改善を示す。
  論文  参考訳（メタデータ） (2020-07-07T00:18:40Z)

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。