論文の概要: FinBERT-LSTM: Deep Learning based stock price prediction using News
Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2211.07392v1
- Date: Fri, 11 Nov 2022 15:13:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 20:11:06.756869
- Title: FinBERT-LSTM: Deep Learning based stock price prediction using News
Sentiment Analysis
- Title(参考訳): FinBERT-LSTM:ニュース知覚分析を用いたディープラーニングに基づく株価予測
- Authors: Shayan Halder
- Abstract要約: 市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。
私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Economy is severely dependent on the stock market. An uptrend usually
corresponds to prosperity while a downtrend correlates to recession. Predicting
the stock market has thus been a centre of research and experiment for a long
time. Being able to predict short term movements in the market enables
investors to reap greater returns on their investments. Stock prices are
extremely volatile and sensitive to financial market. In this paper we use Deep
Learning networks to predict stock prices, assimilating financial, business and
technology news articles which present information about the market. First, we
create a simple Multilayer Perceptron (MLP) network and then expand into more
complex Recurrent Neural Network (RNN) like Long Short Term Memory (LSTM), and
finally propose FinBERT-LSTM model, which integrates news article sentiments to
predict stock price with greater accuracy by analysing short-term market
information. We then train the model on NASDAQ-100 index stock data and New
York Times news articles to evaluate the performance of MLP, LSTM, FinBERT-LSTM
models using mean absolute error (MAE), mean absolute percentage error (MAPE)
and accuracy metrics.
- Abstract(参考訳): 経済は株式市場に大きく依存している。
アップトレンドは通常繁栄に対応し、ダウントレンドは不況と相関する。
そのため、株式市場の予測は長い間研究と実験の中心であった。
市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。
株価は極めて不安定で金融市場に敏感である。
本稿では,深層学習ネットワークを用いて株価を予測し,市場に関する情報を提示する金融・ビジネス・技術ニュース記事に同化させる。
まず、MLP(Multilayer Perceptron)ネットワークを作成し、Long Short Term Memory(LSTM)のようなより複雑なリカレントニューラルネットワーク(RNN)に拡張し、最後にFinBERT-LSTMモデルを提案する。
次に、NASDAQ-100インデックスストックデータとNew York Timesのニュース記事に基づいて、平均絶対誤差(MAE)、平均絶対パーセンテージ誤差(MAPE)、精度指標を用いて、MLP、LSTM、FinBERT-LSTMモデルの性能を評価する。
関連論文リスト
- The FinBen: An Holistic Financial Benchmark for Large Language Models [75.09474986283394]
FinBenは、金融分野におけるLLMの能力を徹底的に評価するために設計された、初めての包括的なオープンソース評価ベンチマークである。
FinBenは、23の財務タスクにわたる35のデータセットを含み、Cattell-Horn-Carroll理論にインスパイアされた3つの難易度に分類されている。
GPT-4, ChatGPT, そして最新のGeminiを含む15の代表的なLCMを評価した結果, 金融分野におけるその強みと限界についての知見が得られた。
論文 参考訳(メタデータ) (2024-02-20T02:16:16Z) - 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 Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳(メタデータ) (2023-08-07T14:21:05Z) - Predicting Stock Market Time-Series Data using CNN-LSTM Neural Network
Model [0.0]
企業の株式市場のパフォーマンスを予測することは、企業の株価が変化し続けるたびに常に一定ではないため、ほとんど難しい。
データのパターンと特徴を追跡するために、CNN-LSTM Neural Networkを作成できる。
CNN-LSTM NNモデルの精度は,リアルタイムの株式市場データによるトレーニングが許された場合でも高いことがわかった。
論文 参考訳(メタデータ) (2023-05-21T08:00:23Z) - 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) - 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) - Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。
ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文 参考訳(メタデータ) (2022-01-20T15:17:26Z) - 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) - 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) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z)
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。