論文の概要: Spatiotemporal Transformer for Stock Movement Prediction

• arxiv url: http://arxiv.org/abs/2305.03835v1
• Date: Fri, 5 May 2023 20:30:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 19:12:05.318416
• Title: Spatiotemporal Transformer for Stock Movement Prediction
• Title（参考訳）: ストック移動予測のための時空間変圧器
• Authors: Daniel Boyle, Jugal Kalita
• Abstract要約: ストックムーブメント予測のための時空間トランスフォーマー-LSTMモデルを用いた新しいアプローチSTSTを提案する。 本モデルでは, ACL18データセットとKDD17データセットに対して, それぞれ63.707と56.879%の精度が得られる。 S&P500の株価指数よりも最低10.41%高い利益を得ており、年間リターンは最低31.24%だった。
• 参考スコア（独自算出の注目度）: 2.792030485253753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial markets are an intriguing place that offer investors the potential to gain large profits if timed correctly. Unfortunately, the dynamic, non-linear nature of financial markets makes it extremely hard to predict future price movements. Within the US stock exchange, there are a countless number of factors that play a role in the price of a company's stock, including but not limited to financial statements, social and news sentiment, overall market sentiment, political happenings and trading psychology. Correlating these factors is virtually impossible for a human. Therefore, we propose STST, a novel approach using a Spatiotemporal Transformer-LSTM model for stock movement prediction. Our model obtains accuracies of 63.707 and 56.879 percent against the ACL18 and KDD17 datasets, respectively. In addition, our model was used in simulation to determine its real-life applicability. It obtained a minimum of 10.41% higher profit than the S&P500 stock index, with a minimum annualized return of 31.24%.
• Abstract（参考訳）: 金融市場は投資家に正しいタイミングで大きな利益を得る可能性を与える興味深い場所だ。 残念ながら、金融市場のダイナミックで非線形な性質は、将来の価格変動を予測するのを非常に困難にしている。 米国の証券取引所には、金融声明、社会とニュースの感情、全体的な市場感情、政治的出来事、取引心理学など、企業の株価に影響を及ぼす要因が数え切れないほどある。 これらの要因は人間にとって事実上不可能である。 そこで本研究では,ストックムーブメント予測のための時空間変圧器-LSTMモデルを用いた新しいアプローチSTSTを提案する。 本モデルでは,ACL18データセットとKDD17データセットに対してそれぞれ63.707と56.879%の精度が得られる。 さらに,本モデルを用いて実生活適用性の評価を行った。 S&P500の株価指数よりも最低10.41%高い利益を得ており、年間リターンは最低31.24%だった。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Short-term Volatility Estimation for High Frequency Trades using Gaussian processes (GPs) [0.0]
  投資家のリターンの安全と経済のために、必要で定期的な短期・長期の株価変動予測を行うことが不可欠である。 本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を実装した。
  論文  参考訳（メタデータ） (2023-11-18T02:03:48Z)
• 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)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2022-11-11T15:13:16Z)
• 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)
• 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)

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。