論文の概要: Multi-Label Topic Model for Financial Textual Data

• arxiv url: http://arxiv.org/abs/2311.07598v1
• Date: Fri, 10 Nov 2023 12:56:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 17:10:17.293124
• Title: Multi-Label Topic Model for Financial Textual Data
• Title（参考訳）: 財務テキストデータのためのマルチラベルトピックモデル
• Authors: Moritz Scherrmann
• Abstract要約: 私は、ドイツのアドホックな発表3,044件からなる新しい金融マルチラベルデータベースでモデルをトレーニングします。 このモデルの適用として、トピック間の株式市場反応の相違について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a multi-label topic model for financial texts like ad-hoc announcements, 8-K filings, finance related news or annual reports. I train the model on a new financial multi-label database consisting of 3,044 German ad-hoc announcements that are labeled manually using 20 predefined, economically motivated topics. The best model achieves a macro F1 score of more than 85%. Translating the data results in an English version of the model with similar performance. As application of the model, I investigate differences in stock market reactions across topics. I find evidence for strong positive or negative market reactions for some topics, like announcements of new Large Scale Projects or Bankruptcy Filings, while I do not observe significant price effects for some other topics. Furthermore, in contrast to previous studies, the multi-label structure of the model allows to analyze the effects of co-occurring topics on stock market reactions. For many cases, the reaction to a specific topic depends heavily on the co-occurrence with other topics. For example, if allocated capital from a Seasoned Equity Offering (SEO) is used for restructuring a company in the course of a Bankruptcy Proceeding, the market reacts positively on average. However, if that capital is used for covering unexpected, additional costs from the development of new drugs, the SEO implies negative reactions on average.
• Abstract（参考訳）: 本稿では,アドホックな発表や8-K申請,金融関連ニュース,年次報告など,金融テキストを対象としたマルチラベルトピックモデルを提案する。 私は、事前定義された20の経済的動機づけのあるトピックを使って手動でラベル付けされるドイツのアドホックな発表3,044の金融マルチレーベルデータベースでモデルをトレーニングします。 最良のモデルでは、マクロF1スコアが85%以上に達する。 データを変換すると、同様のパフォーマンスのモデルの英語バージョンが生成される。 このモデルの応用として,話題間の株式市場の反応の違いについて検討する。 私は、新しい大規模プロジェクトや倒産フィリングの発表など、いくつかのトピックに対する強い肯定的あるいは否定的な市場反応の証拠を見つけていますが、他のトピックに対する大きな価格効果は見当たりません。 さらに、従来の研究とは対照的に、モデルのマルチラベル構造は、共起トピックが株式市場の反応に与える影響を分析することができる。 多くの場合、特定のトピックに対する反応は他のトピックとの共起に大きく依存する。 例えば、破産手続の過程で会社の再編に季節的株式オファリング(SEO)から配分された資本が使用される場合、市場は平均的に肯定的に反応する。 しかし、新薬開発による予期せぬ追加コストをカバーするためにこの資本を使用すると、SEOは平均的にネガティブな反応を示す。

関連論文リスト

• Combining Financial Data and News Articles for Stock Price Movement Prediction Using Large Language Models [0.0]
  市場の動きを予測するために,Large Language Models (LLMs) を採用している。 私たちのデータセットには、さまざまなソースから収集されたニュース記事、歴史的な株価、20社の財務報告データが含まれています。 このモデルを用いて、重み付きF1スコア58.5%および59.1%のデータセットにおいて、所定の株価の変動を予測した。
  論文  参考訳（メタデータ） (2024-11-02T21:53:20Z)
• Quantitative Theory of Meaning. Application to Financial Markets. EUR/USD case study [1.3682156035049036]
  本論文は、情報と投資家の期待と市場価格運動の関連性に焦点を当てている。 我々は,情報量論の補完として,意味の定量的理論を構築した。 提案手法は、将来の市場資産の価格変動をよりよく理解し予測するために使用することができる。
  論文  参考訳（メタデータ） (2024-10-09T02:06:40Z)
• Stock Market Sentiment Classification and Backtesting via Fine-tuned BERT [0.0]
  この論文は感情理論から始まり、East Moneyを例に挙げ、対応するストックバーからユーザーコメントのタイトルデータをクロールする。 上記モデルに基づいて、クロールしたユーザコメントデータを感情極性でラベル付けし、得られたラベル情報をAlpha191モデルと組み合わせる。 回帰モデルは、次の5日間の平均価格変化を予測し、自動取引を導く信号として使用する。
  論文  参考訳（メタデータ） (2023-09-21T11:26:36Z)
• 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)
• Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
  金融の価格問題に様々な量子技術を適用することができることを示す。 従来の研究と異なる3つの方法について議論する。
  論文  参考訳（メタデータ） (2022-09-19T09:22:01Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• 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)
• Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data [0.0]
  ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。 このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。 精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T21:57:18Z)
• Improving Robustness by Augmenting Training Sentences with Predicate-Argument Structures [62.562760228942054]
  データセットバイアスに対するロバスト性を改善する既存のアプローチは、主にトレーニング目標の変更に焦点を当てている。 本稿では,学習データ中の入力文に対応する述語句構造を付加することを提案する。 特定のバイアスを対象とせずに、文の増大は、複数のバイアスに対してトランスフォーマーモデルの堅牢性を向上することを示す。
  論文  参考訳（メタデータ） (2020-10-23T16:22:05Z)
• Deep Learning based Topic Analysis on Financial Emerging Event Tweets [0.0]
  本研究は,28264件の金融つぶやきをクラスタリングにより分析し,市場における新興事象の発見を行った。 この期間に3つの主要な話題が頻繁に議論された。 株式、石油、エネルギー部門の短期販売は政策とともに議論された。
  論文  参考訳（メタデータ） (2020-08-03T06:43:11Z)
• 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。