論文の概要: Desenvolvimento de modelo para predi\c{c}\~ao de cota\c{c}\~oes de a\c{c}\~ao baseada em an\'alise de sentimentos de tweets

• arxiv url: http://arxiv.org/abs/2309.06538v1
• Date: Mon, 11 Sep 2023 17:32:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 16:31:58.611146
• Title: Desenvolvimento de modelo para predi\c{c}\~ao de cota\c{c}\~oes de a\c{c}\~ao baseada em an\'alise de sentimentos de tweets
• Title（参考訳）: Desenvolvimento de modelo para predi\c{c}\~ao de cota\c{c}\~oes de a\c{c}\~ao baseada em an\'alise de sentimentos de tweet
• Authors: Mario Mitsuo Akita, Everton Josue da Silva
• Abstract要約: 当社はiFeel 2.0プラットフォームを使用して、マイクロブログプラットフォームのTwitterから入手した19の感情的特徴を抽出しています。 そして、これらの機能を使って、XBootモデルをトレーニングし、言及された会社の将来の株価を予測しました。 我々は、ペトロブラスの株の取引をモデルの生産量に基づいてシミュレートし、250日間でR$88,82(net)の利得を決定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training machine learning models for predicting stock market share prices is an active area of research since the automatization of trading such papers was available in real time. While most of the work in this field of research is done by training Neural networks based on past prices of stock shares, in this work, we use iFeel 2.0 platform to extract 19 sentiment features from posts obtained from microblog platform Twitter that mention the company Petrobras. Then, we used those features to train XBoot models to predict future stock prices for the referred company. Later, we simulated the trading of Petrobras' shares based on the model's outputs and determined the gain of R$88,82 (net) in a 250-day period when compared to a 100 random models' average performance.
• Abstract（参考訳）: 株式市場の株価予測のための機械学習モデルのトレーニングは、そのような論文の取引の自動化がリアルタイムで可能であったため、研究の活発な分野である。 この分野での研究のほとんどは、過去の株価に基づいてニューラルネットワークをトレーニングすることで行われているが、この研究では、iFeel 2.0プラットフォームを使用して、マイクロブログプラットフォームのTwitterから取得した19の感情的特徴を抽出している。 そして、これらの機能を使って、XBootモデルをトレーニングし、同社の将来の株価を予測しました。 その後、モデル出力に基づいてペトロブラスの株の取引をシミュレートし、100個のランダムモデルの平均性能と比較した場合の250日間のR$88,82 (net) の利得を決定した。

関連論文リスト

• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
  スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。 しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。 対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
  論文  参考訳（メタデータ） (2024-03-13T13:54:00Z)
• Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks [4.5885930040346565]
  本研究は、同社の年次報告の公表直後の2日目の株価の推移を予測するものである。 決定木、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、プロトタイプネットワークなど、さまざまなモデルを使用します。 我々は、同社の年次報告書に基づく財務指標によれば、株価変動の予測可能性が弱いと結論付けている。
  論文  参考訳（メタデータ） (2022-06-25T01:54:53Z)
• Stock Price Prediction using Sentiment Analysis and Deep Learning for Indian Markets [0.0]
  我々は、感情データの入手に資する歴史的価格を用いて、将来の株価の変動を予測することを目的としていた。 最終製品として、Reliance, Bank, TCS, SBIの株価は、上記の2つのモデルを用いて予測された。
  論文  参考訳（メタデータ） (2022-04-07T12:09:39Z)
• 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)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。 我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
  論文  参考訳（メタデータ） (2020-11-07T16:07:10Z)
• Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
  EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。 データは2013-2014年の電力価格、2015年のテストデータで提供された。
  論文  参考訳（メタデータ） (2020-10-14T12:45:53Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)
• Stock Price Prediction Using Machine Learning and LSTM-Based Deep Learning Models [1.335161061703997]
  本稿では,異なる機械学習モデルとディープラーニングモデルを構築するための,株価予測のためのハイブリッドモデリング手法を提案する。 2014年12月29日から2020年7月31日まで、インドの国立証券取引所(NSE)のNIFTY50指数を用いた。 我々は,LSTM回帰モデルを用いて,アーキテクチャや入力データの構造に異なる4つの異なるモデルを用いて,将来のNIFTY 50オープン値を予測する。
  論文  参考訳（メタデータ） (2020-09-20T20:32:33Z)

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。