論文の概要: Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models
- arxiv url: http://arxiv.org/abs/2304.07619v4
- Date: Sat, 9 Sep 2023 15:20:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 21:51:47.797516
- Title: Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models
- Title(参考訳): ChatGPTは株価変動を予測できるのか?
戻り予測可能性と大規模言語モデル
- Authors: Alejandro Lopez-Lira and Yuehua Tang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 57.70351255180495
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We examine the potential of ChatGPT and other large language models in
predicting stock market returns using news headlines. We use ChatGPT to assess
whether each headline is good, bad, or neutral for firms' stock prices. We
document a significantly positive correlation between ChatGPT scores and
subsequent daily stock returns. We find that ChatGPT outperforms traditional
sentiment analysis methods. More basic models such as GPT-1, GPT-2, and BERT
cannot accurately forecast returns, indicating return predictability is an
emerging capacity of complex language models. Long-short strategies based on
ChatGPT-4 deliver the highest Sharpe ratio. Furthermore, we find predictability
in both small and large stocks, suggesting market underreaction to company
news. Predictability is stronger among smaller stocks and stocks with bad news,
consistent with limits-to-arbitrage also playing an important role. Finally, we
propose a new method to evaluate and understand the models' reasoning
capabilities. Overall, our results suggest that incorporating advanced language
models into the investment decision-making process can yield more accurate
predictions and enhance the performance of quantitative trading strategies.
- Abstract(参考訳): ニュース見出しを用いた株式市場のリターン予測におけるChatGPTや他の大規模言語モデルの可能性を検討する。
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スコアとその後の株価リターンとの間に有意な相関が認められた。
ChatGPTは従来の感情分析法よりも優れていた。
GPT-1、GPT-2、BERTのようなより基本的なモデルでは、戻り値を正確に予測することはできない。
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。
さらに,小株と大株の両方において予測可能性を見いだし,企業ニュースに対する市場の不振を示唆する。
予測可能性は、悪いニュースのある小さな株や株の間で強くなり、取引制限が重要な役割を担っている。
最後に,モデルの推論能力を評価し,理解するための新しい手法を提案する。
その結果,先進言語モデルを投資決定プロセスに組み込むことで,より正確な予測が得られ,量的トレーディング戦略の性能が向上することが示唆された。
関連論文リスト
- Forecasting Cryptocurrency Prices Using Deep Learning: Integrating
Financial, Blockchain, and Text Data [3.8443430569753025]
我々は、先進的なディープラーニングNLP手法を用いて、公開感情が暗号通貨評価に与える影響を分析する。
我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。
我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが,市場感情を捉える上で極めて有効であることを発見した。
論文 参考訳(メタデータ) (2023-11-23T16:14:44Z) - 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) - The Wall Street Neophyte: A Zero-Shot Analysis of ChatGPT Over
MultiModal Stock Movement Prediction Challenges [8.974167670273316]
ChatGPTはウォールストリート・ネオファイト(Wall Street Neophyte)であり、ストックムーブメントの予測に成功している。
ChatGPTは、Chain-of-Thoughtの戦略とツイートを含む可能性にもかかわらず、パフォーマンスは依然として劣っている。
論文 参考訳(メタデータ) (2023-04-10T04:31:00Z) - Consistency Analysis of ChatGPT [65.268245109828]
本稿では,ChatGPTとGPT-4の論理的一貫した行動に対する信頼性について検討する。
その結果,両モデルとも言語理解能力と推論能力が向上しているように見えるが,論理的に一貫した予測が得られないことが示唆された。
論文 参考訳(メタデータ) (2023-03-11T01:19:01Z) - Can ChatGPT Understand Too? A Comparative Study on ChatGPT and
Fine-tuned BERT [103.57103957631067]
チャットGPTは、人間の質問に対する流動的で高品質な応答を生成できるため、大きな注目を集めている。
そこで我々は,ChatGPTの理解能力を,最も人気のあるGLUEベンチマークで評価し,より詳細な4種類のBERTスタイルのモデルと比較した。
2)ChatGPTは,感情分析や質問応答タスクにおいて,BERTと同等のパフォーマンスを達成している。
論文 参考訳(メタデータ) (2023-02-19T12:29:33Z) - Transformer-Based Deep Learning Model for Stock Price Prediction: A Case
Study on Bangladesh Stock Market [0.0]
本稿では、ダッカ証券取引所(DSE)に上場する8銘柄の価格変動を予測するためのトランスフォーマーモデルの適用に焦点を当てる。
本実験は,ほとんどの株式において有望な結果と許容される根平均二乗誤差を示すものである。
論文 参考訳(メタデータ) (2022-08-17T14:03:28Z) - 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) - 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)
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。