論文の概要: Predict the Future from the Past? On the Temporal Data Distribution Shift in Financial Sentiment Classifications

• arxiv url: http://arxiv.org/abs/2310.12620v1
• Date: Thu, 19 Oct 2023 09:59:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-20 15:44:37.755727
• Title: Predict the Future from the Past? On the Temporal Data Distribution Shift in Financial Sentiment Classifications
• Title（参考訳）: 過去から未来を予測するか? 金融感情分類における時間的データ分布変化について
• Authors: Yue Guo, Chenxi Hu, Yi Yang
• Abstract要約: 我々は、時間的データ分散シフトの下で、財務感情分析システムに関する実証的研究を行う。 微調整モデルでは,時間分布シフトの存在下での一般的な性能劣化に悩まされることがわかった。 本稿では,時間的財務感情分析のための時系列モデリングとアウト・オブ・ディストリビューション検出を組み合わせた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 22.991534849932016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal data distribution shift is prevalent in the financial text. How can a financial sentiment analysis system be trained in a volatile market environment that can accurately infer sentiment and be robust to temporal data distribution shifts? In this paper, we conduct an empirical study on the financial sentiment analysis system under temporal data distribution shifts using a real-world financial social media dataset that spans three years. We find that the fine-tuned models suffer from general performance degradation in the presence of temporal distribution shifts. Furthermore, motivated by the unique temporal nature of the financial text, we propose a novel method that combines out-of-distribution detection with time series modeling for temporal financial sentiment analysis. Experimental results show that the proposed method enhances the model's capability to adapt to evolving temporal shifts in a volatile financial market.
• Abstract（参考訳）: 経時的データ分布シフトは金融文書で広く見られる。 時間的データ配信の変化に対して、正確に感情を推測し、堅牢な金融感情分析システムは、揮発性市場環境でどのようにトレーニングできるのか? 本稿では,3年間にわたる実世界の金融ソーシャルメディアデータセットを用いて,時間的データ配信シフトによる財務感情分析システムに関する実証的研究を行う。 微調整モデルでは時間分布シフトの存在下での一般的な性能劣化が生じる。 さらに,金融資料の独特な時間的性質に動機づけられ,時間的金融感情分析のための時系列モデルと分布外検出を組み合わせた新しい手法を提案する。 実験結果から, 不安定な金融市場において, 時間変動に適応するモデルの有効性が示唆された。

関連論文リスト

• AMA-LSTM: Pioneering Robust and Fair Financial Audio Analysis for Stock Volatility Prediction [25.711345527738068]
  マルチモーダル法は 2つの欠点に直面しています 彼らはしばしば、信頼できるモデルを得るのに失敗し、株式市場からの情報の吸収のためにデータを過大評価する。 株のボラティリティを予測するためにマルチモーダルモデルを使用することは、性別バイアスに悩まされ、そのようなバイアスを取り除く効率的な方法が欠如している。 我々は,ロバストネス・ワールド・ファイナンシャル・オーディオ・データセットに関する包括的な実験を行い,この手法が現在の最先端ソリューションの性能を上回ることを示した。
  論文  参考訳（メタデータ） (2024-07-03T18:40:53Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• TimeTrail: Unveiling Financial Fraud Patterns through Temporal Correlation Analysis [0.0]
  本研究では、時間的相関分析を利用して複雑な金融詐欺パターンを説明する新しい手法「TimeTrail」を紹介する。 時間的データ豊か化、動的相関分析、解釈可能なパターン可視化の3つの重要なフェーズで構成されている。 その結果, 時間的相関やパターンを隠蔽し, 精度と解釈可能性の両面で従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-27T22:27:57Z)
• 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)
• Measuring Consistency in Text-based Financial Forecasting Models [10.339586273664725]
  FinTrustは財務文書の論理的一貫性を評価する評価ツールである。 金融予測のための最先端NLPモデルの整合性は乏しいことを示す。 意味保存による性能劣化の分析は,現在のテキストベースの手法が市場情報の堅牢な予測に適していないことを示唆している。
  論文  参考訳（メタデータ） (2023-05-15T10:32:26Z)
• Causal Analysis of Generic Time Series Data Applied for Market Prediction [0.0]
  本研究では,時間的変化(タグ付き)によるピアソン相関に基づく因果解析の適用性について検討した。 データは、リアルタイム取引やリミットオーダーブックのスナップショットなど、生の市場データから計算可能なさまざまな財務指標を含んでいる。
  論文  参考訳（メタデータ） (2022-04-22T05:54:53Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Interpretable ML-driven Strategy for Automated Trading Pattern Extraction [2.7910505923792646]
  金融時系列分析のためのボリュームベースデータ前処理手法を提案する。 手法の性能を評価するために統計的手法を用いる。 提案手法により,金融時系列パターンの分類を成功させることができた。
  論文  参考訳（メタデータ） (2021-03-23T09:55:46Z)
• 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)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。