Fugu-MT 論文翻訳(概要): Support for Stock Trend Prediction Using Transformers and Sentiment Analysis

論文の概要: Support for Stock Trend Prediction Using Transformers and Sentiment Analysis

arxiv url: http://arxiv.org/abs/2305.14368v1
Date: Thu, 18 May 2023 03:26:39 GMT
ステータス: 処理完了
システム内更新日: 2023-05-28 04:51:08.145789
Title: Support for Stock Trend Prediction Using Transformers and Sentiment Analysis
Title（参考訳）: 変圧器と感情分析を用いた株価トレンド予測支援
Authors: Harsimrat Kaeley, Ye Qiao, Nader Bagherzadeh
Abstract要約: 技術ストックデータと感情分析を用いて、長時間のウィンドウ上で正確なストックトレンド予測を行うトランスフォーマーモデルを開発した。本稿では,日次技術ストックデータと,約3年にわたるトップニュース見出しデータを含む新しいデータセットについても紹介する。
参考スコア（独自算出の注目度）: 3.147603836269998
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Stock trend analysis has been an influential time-series prediction topic due to its lucrative and inherently chaotic nature. Many models looking to accurately predict the trend of stocks have been based on Recurrent Neural Networks (RNNs). However, due to the limitations of RNNs, such as gradient vanish and long-term dependencies being lost as sequence length increases, in this paper we develop a Transformer based model that uses technical stock data and sentiment analysis to conduct accurate stock trend prediction over long time windows. This paper also introduces a novel dataset containing daily technical stock data and top news headline data spanning almost three years. Stock prediction based solely on technical data can suffer from lag caused by the inability of stock indicators to effectively factor in breaking market news. The use of sentiment analysis on top headlines can help account for unforeseen shifts in market conditions caused by news coverage. We measure the performance of our model against RNNs over sequence lengths spanning 5 business days to 30 business days to mimic different length trading strategies. This reveals an improvement in directional accuracy over RNNs as sequence length is increased, with the largest improvement being close to 18.63% at 30 business days.
Abstract（参考訳）: 株価トレンド分析は、その収益性と本質的にカオス性から、時系列予測に影響を与えた。株価の傾向を正確に予測しようとする多くのモデルは、recurrent neural network (rnn)に基づいている。しかし,本論文では,時系列長の増加に伴い,勾配の消失や長期依存が失われるといった,rnnの限界のために,技術ストックデータと感情分析を用いた変圧器ベースのモデルを開発し,長期間にわたって正確なストックトレンド予測を行う。本稿では,日刊技術株データと,約3年にわたるトップニュース見出しデータを含む新しいデータセットも紹介する。技術的データのみに基づく株価予測は、株価指標が市場のニュースを効果的に分解できないことによる遅延に苦しむ可能性がある。トップ見出しでの感情分析の利用は、ニュース報道による市場状況の予期せぬ変化を説明するのに役立つ。 5 営業日から30 営業日にわたって連続した RNN に対するモデルの性能を測定し,異なる期間の取引戦略を模倣する。これは、シーケンス長が増加するにつれてRNNの方向精度が向上し、最大の改善は30営業日で18.63%に近づいた。

関連論文リスト

Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。 CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
論文参考訳（メタデータ） (2024-09-25T22:09:59Z)
An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
論文参考訳（メタデータ） (2024-08-22T13:58:55Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。 NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文参考訳（メタデータ） (2023-10-01T17:53:23Z)
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)
TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data [1.5749416770494706]
TM-vectorを導入し、次にこのベクトルを使ってIndRNNをトレーニングし、最終的に市場のユーザの振る舞いをモデル化します。提案モデルでは,抽出したTwitter機能と市場情報の両方でTM-vectorを同時にトレーニングする。提案手法の有効性には様々な要因が用いられている。
論文参考訳（メタデータ） (2023-03-13T18:55:41Z)
DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks [0.6882042556551609]
我々はDNN-forwardtestingと呼ばれる新しいトレーディング戦略を提案し、ディープニューラルネットワークによって予測される将来についてテストすることで適用戦略を決定する。我々の取引システムは、DNNの予測に適用することで最も効果的な技術指標を計算し、そのような指標を使って取引を誘導する。
論文参考訳（メタデータ） (2022-10-20T19:00:59Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文参考訳（メタデータ） (2021-07-05T10:15:23Z)
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)
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。