論文の概要: Deep Multiple Instance Learning For Forecasting Stock Trends Using
Financial News
- arxiv url: http://arxiv.org/abs/2206.14452v1
- Date: Wed, 29 Jun 2022 08:00:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 20:59:27.886244
- Title: Deep Multiple Instance Learning For Forecasting Stock Trends Using
Financial News
- Title（参考訳）: 金融ニュースによる株価トレンド予測のためのディープマルチインスタンス学習
- Authors: Yiqi Deng and Siu Ming Yiu
- Abstract要約: 本稿では,金融ニュースが株価動向に与える影響について,マルチインスタンスの観点から検討する。
フレキシブルで適応的なマルチインスタンス学習モデルを開発し、Standard & Poors 500インデックスの方向移動予測能力を評価する。
実験の結果,提案したマルチインスタンスベースのフレームワークは,トレンド予測の精度で優れた結果が得られることがわかった。
- 参考スコア（独自算出の注目度）: 3.6804038214708563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A major source of information can be taken from financial news articles,
which have some correlations about the fluctuation of stock trends. In this
paper, we investigate the influences of financial news on the stock trends,
from a multi-instance view. The intuition behind this is based on the news
uncertainty of varying intervals of news occurrences and the lack of annotation
in every single financial news. Under the scenario of Multiple Instance
Learning (MIL) where training instances are arranged in bags, and a label is
assigned for the entire bag instead of instances, we develop a flexible and
adaptive multi-instance learning model and evaluate its ability in directional
movement forecast of Standard & Poors 500 index on financial news dataset.
Specifically, we treat each trading day as one bag, with certain amounts of
news happening on each trading day as instances in each bag. Experiment results
demonstrate that our proposed multi-instance-based framework gains outstanding
results in terms of the accuracy of trend prediction, compared with other
state-of-art approaches and baselines.
- Abstract（参考訳）: 主要な情報ソースは、株価の変動についていくつかの相関関係を持つ金融ニュース記事から取ることができる。
本稿では,金融ニュースが株価動向に与える影響について,マルチインテンスの観点から検討する。
この背景にある直観は、様々なニュース発生間隔のニュースの不確実性と、金融ニュース毎の注釈の欠如に基づいている。
トレーニングインスタンスがバッグに配置され、インスタンスの代わりにラベルが割り当てられるマルチインスタンス学習(mil)のシナリオでは、柔軟で適応的なマルチインスタンス学習モデルを開発し、金融ニュースデータセットにおけるstandard & poors 500 indexの方向移動予測におけるその能力を評価する。
具体的には、各トレーディング日を1つのバッグとして扱い、各トレーディング日に一定の量のニュースを各バッグのインスタンスとして処理する。
実験の結果,提案したマルチインスタンスベースのフレームワークは,他の最先端手法やベースラインと比較して,トレンド予測の精度において優れた結果が得られることが示された。
関連論文リスト
- Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models [9.991327369572819]
本稿では,関連事象に関するテキスト情報を組み込んだ協調モデリングフレームワークを提案する。
我々は、将来の変更に関する大規模言語モデルの直感を活用して、実数時系列の予測を更新する。
論文 参考訳（メタデータ） (2024-07-04T07:21:38Z) - 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) - Towards systematic intraday news screening: a liquidity-focused approach [1.688090639493357]
毎日大量のニュース記事が発行されているが、そのほとんどは中立的であり、我々は真の効果のあるニュースを識別するための体系的なニューススクリーニング方法を提案する。
スクリーニングされたデータセットは、より効率的な特徴キャプチャを実現し、短期資産返却予測において優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-11T10:14:48Z) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T08:38:20Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳（メタデータ） (2021-09-15T17:13:47Z) - Long-term, Short-term and Sudden Event: Trading Volume Movement
Prediction with Graph-based Multi-view Modeling [21.72694417816051]
本稿では,多視点情報,すなわち長期株価傾向,短期変動,突然の事象情報を時間的不均一グラフに結合するグラフベースの手法を提案する。
提案手法は, 変動の異なる視点間の相関を強調し, 予測精度を向上する。
論文 参考訳（メタデータ） (2021-08-23T03:06:04Z) - Graph-Based Learning for Stock Movement Prediction with Textual and
Relational Data [0.0]
ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。
このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。
精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-07-22T21:57:18Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z) - 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) - Stock Index Prediction with Multi-task Learning and Word Polarity Over
Time [2.240287188224631]
感情抽出器と要約器からなる2段階システムを提案する。
我々は、ニュースの価値を予測するマルチタスク学習のBERTを採用し、極性-極性(Polarity-Over-Time)という指標を提案して、単語の極性(Polarity)を抽出する。
Weekly-Monday予測フレームワークと10年間のReuters金融ニュースデータセットという新しいデータセットも提案されている。
論文 参考訳（メタデータ） (2020-08-17T20:22:56Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳（メタデータ） (2020-02-11T19:18:18Z)
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。