論文の概要: Stock Market Prediction using Natural Language Processing -- A Survey
- arxiv url: http://arxiv.org/abs/2208.13564v1
- Date: Fri, 26 Aug 2022 10:36:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:48:02.471255
- Title: Stock Market Prediction using Natural Language Processing -- A Survey
- Title（参考訳）: 自然言語処理による株式市場の予測 -調査-
- Authors: Om Mane and Saravanakumar kandasamy
- Abstract要約: 本稿では,近年の自然言語処理分野の文献と,株式市場の動きを予測する機械学習技術について調査する。
本研究の主な貢献は、近年の多くの論文の高度な分類と、最近の株式市場予測研究の動向とその関連分野の例である。
- 参考スコア（独自算出の注目度）: 5.669677041792239
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The stock market is a network which provides a platform for almost all major
economic transactions. While investing in the stock market is a good idea,
investing in individual stocks may not be, especially for the casual investor.
Smart stock-picking requires in-depth research and plenty of dedication.
Predicting this stock value offers enormous arbitrage profit opportunities.
This attractiveness of finding a solution has prompted researchers to find a
way past problems like volatility, seasonality, and dependence on time. This
paper surveys recent literature in the domain of natural language processing
and machine learning techniques used to predict stock market movements. The
main contributions of this paper include the sophisticated categorizations of
many recent articles and the illustration of the recent trends of research in
stock market prediction and its related areas.
- Abstract（参考訳）: 株式市場は、ほぼすべての主要な経済取引のプラットフォームを提供するネットワークである。
株式市場への投資は良い考えだが、個人株への投資は、特にカジュアル投資家にとっては、そうではないかもしれない。
スマートストックピッキングには詳細な調査と多くの献身が必要だ。
この株価の予測は、膨大な仲裁利益の機会をもたらす。
このソリューションの発見の魅力は、ボラティリティ、季節性、時間依存といった問題を乗り越える方法を見つけるきっかけとなった。
本稿では,近年の自然言語処理分野の文献と,株式市場の動きを予測する機械学習技術について調査する。
この論文の主な貢献は、最近の多くの論文の洗練された分類と、株式市場予測とその関連分野における最近の研究動向の図示である。
関連論文リスト
- Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。
これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2024-06-10T11:42:30Z) - Predicting Financial Market Trends using Time Series Analysis and
Natural Language Processing [0.0]
この調査は、TeslaやAppleといった大手企業の株価を予測するためのツールとして、Twitterの感情の有効性を評価することを目的としている。
以上の結果から, 株価変動の主要な要因は, 肯定性, 否定性, 主観性であることが示唆された。
論文 参考訳（メタデータ） (2023-08-31T21:20:58Z) - 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) - Stock Market Prediction via Deep Learning Techniques: A Survey [24.88558334340833]
本稿では,ディープラーニング技術に着目した株式市場予測に関する研究の概要について概説する。
株式市場予測の詳細なサブタスクを4つ提示し、最先端モデルを要約する新しい分類法を提案する。
さらに、株式市場でよく使われるデータセットと評価指標について詳細な統計情報を提供する。
論文 参考訳（メタデータ） (2022-12-24T11:32:17Z) - 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) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳（メタデータ） (2021-12-08T14:55:21Z) - 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) - Stock price prediction using BERT and GAN [0.0]
本稿では、株価を予測するための最先端の手法の集合体を提案する。
これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。
その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
論文 参考訳（メタデータ） (2021-07-18T18:31:43Z) - Stock Market Analysis with Text Data: A Review [7.789019365796933]
株式市場の動きは、ニュース記事、会社の報告、ソーシャルメディアの議論を通じて共有される公私情報の影響を受けている。
文献のほとんどの研究は、構造化されていない膨大なテキストデータを分析するのに不足している伝統的なアプローチに基づいている。
本研究は、主要な株式市場分析モデル、金融市場予測のためのテキスト表現手法、既存手法の欠点について調査し、今後の研究に向けた有望な方向性を提案する。
論文 参考訳（メタデータ） (2021-06-23T04:31:56Z) - 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 Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z)
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。