論文の概要: Towards systematic intraday news screening: a liquidity-focused approach
- arxiv url: http://arxiv.org/abs/2304.05115v1
- Date: Tue, 11 Apr 2023 10:14:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 15:20:27.799728
- Title: Towards systematic intraday news screening: a liquidity-focused approach
- Title(参考訳): 日内ニューススクリーニングの体系化に向けて : 流動性に着目したアプローチ
- Authors: Jianfei Zhang and Mathieu Rosenbaum
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.688090639493357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: News can convey bearish or bullish views on financial assets. Institutional
investors need to evaluate automatically the implied news sentiment based on
textual data. Given the huge amount of news articles published each day, most
of which are neutral, we present a systematic news screening method to identify
the ``true'' impactful ones, aiming for more effective development of news
sentiment learning methods. Based on several liquidity-driven variables,
including volatility, turnover, bid-ask spread, and book size, we associate
each 5-min time bin to one of two specific liquidity modes. One represents the
``calm'' state at which the market stays for most of the time and the other,
featured with relatively higher levels of volatility and trading volume,
describes the regime driven by some exogenous events. Then we focus on the
moments where the liquidity mode switches from the former to the latter and
consider the news articles published nearby impactful. We apply naive Bayes on
these filtered samples for news sentiment classification as an illustrative
example. We show that the screened dataset leads to more effective feature
capturing and thus superior performance on short-term asset return prediction
compared to the original dataset.
- Abstract(参考訳): ニュースは金融資産に対するアベリッシュまたは強気な見方を伝えることができる。
機関投資家は、テキストデータに基づいて含意されたニュース感情を自動的に評価する必要がある。
毎日発行されるニュース記事の量を考えると,そのほとんどは中立的であり,より効果的なニュース感情学習手法の開発を目指して,‘true’の影響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手法を提案する。
ボラティリティ, ターンオーバー, ビッド・アズクスプレッド, ブックサイズなどの流動性駆動型変数に基づいて, それぞれの5分間の時間ビンを2つの特異流動性モードの1つに関連付ける。
1つは「カルム」状態を表し、もう1つは市場の変動性と取引量が比較的高い状態にあり、いくつかの外生的な出来事によって引き起こされる体制を表している。
次に,流動性モードが前者から後者に切り替わる瞬間に焦点を合わせ,近隣に掲載されるニュース記事について考察する。
ニューズ感情分類の例として,これらのフィルタサンプルにナイーブベイズを適用した。
スクリーニングされたデータセットは,従来のデータセットと比較して,より効率的な特徴キャプチャを実現し,短期的資産返却予測の性能が向上することを示す。
関連論文リスト
- Prompt-and-Align: Prompt-Based Social Alignment for Few-Shot Fake News
Detection [50.07850264495737]
プロンプト・アンド・アライン(Prompt-and-Align、P&A)は、数発のフェイクニュース検出のための新しいプロンプトベースのパラダイムである。
我々はP&Aが、数発のフェイクニュース検出性能をかなりのマージンで新たな最先端に設定していることを示す。
論文 参考訳(メタデータ) (2023-09-28T13:19:43Z) - 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) - Nothing Stands Alone: Relational Fake News Detection with Hypergraph
Neural Networks [49.29141811578359]
本稿では,ニュース間のグループ間相互作用を表現するためにハイパーグラフを活用することを提案する。
提案手法は,ラベル付きニュースデータの小さなサブセットであっても,優れた性能を示し,高い性能を維持する。
論文 参考訳(メタデータ) (2022-12-24T00:19:32Z) - Deep Multiple Instance Learning For Forecasting Stock Trends Using
Financial News [3.6804038214708563]
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。
論文 参考訳(メタデータ) (2022-06-29T08:00:13Z) - 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) - 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) - Event-Driven Learning of Systematic Behaviours in Stock Markets [1.4649095013539173]
金融ニュースを活用して、潜伏するイベントストックリンクと株式市場の体系的行動を検出するニューラルネットワークをトレーニングします。
提案するパイプラインは,(1)オープン情報抽出とニューラルコリファレンス・レゾリューションを利用する複合イベント抽出法,(2)BERT/ALBERT拡張イベント表現,(3)イベント,ニュース,時間レベルの注意を含む拡張階層型アテンションネットワークを含む。
われわれのパイプラインは、Standard&Poor 500、Dow Jones、Nasdaq指数、および10の個別株の予測に適用される際に、最先端のモデルよりもはるかに優れた精度とシミュレーションされた年次リターンを達成する。
論文 参考訳(メタデータ) (2020-10-23T16:14:25Z) - 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) - Leveraging Multi-Source Weak Social Supervision for Early Detection of
Fake News [67.53424807783414]
ソーシャルメディアは、人々が前例のない速度でオンライン活動に参加することを可能にする。
この制限のないアクセスは、誤情報や偽ニュースの拡散を悪化させ、その緩和のために早期に検出されない限り混乱と混乱を引き起こす可能性がある。
ソーシャルエンゲージメントからの弱い信号とともに、限られた量のクリーンデータを活用して、メタラーニングフレームワークでディープニューラルネットワークをトレーニングし、さまざまな弱いインスタンスの品質を推定します。
実世界のデータセットの実験では、提案されたフレームワークは、予測時にユーザーエンゲージメントを使わずに、フェイクニュースを早期に検出するための最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2020-04-03T18:26:33Z)
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。