Fugu-MT 論文翻訳(概要): In the Red(dit): Social Media and Stock Prices

論文の概要: In the Red(dit): Social Media and Stock Prices

arxiv url: http://arxiv.org/abs/2311.09252v1
Date: Tue, 14 Nov 2023 16:58:41 GMT
ステータス: 処理完了
システム内更新日: 2023-11-17 18:17:39.315627
Title: In the Red(dit): Social Media and Stock Prices
Title（参考訳）: ソーシャルメディアと株価
Authors: James Baker
Abstract要約: ソーシャルメディアは、市場の動きと相関する情報を埋め込んでいる。分類されたコメントとバズワードの毎日の頻度を、ファマ・フレンチ3因子モデルに追加の要因として利用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spearheaded by retail traders on the website reddit, the GameStop short squeeze of early 2021 shows that social media embeds information that correlates with market movements. This paper seeks to examine this relationship by using daily frequencies of classified comments and buzzwords as additional factors in a Fama-French three factor model. Comments are classified using an unsupervised clustering method, while past studies have used pretrained models that are not specific to the domains being studied.
Abstract（参考訳）: 2021年初めのGameStopのショートストレッチは、小売業者がWebサイトをリディットし、ソーシャルメディアが市場の動きと相関する情報を埋め込んでいることを示している。本稿では,ファマ・フレンチ3因子モデルにおいて,分類されたコメントやバズワードの日次頻度を付加要因として用いて,この関係性を検討する。コメントは教師なしのクラスタリング手法で分類されるが、過去の研究では研究対象のドメインに特有でない事前学習モデルを使用している。

関連論文リスト

Rumor Detection with a novel graph neural network approach [12.42658463552019]
ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
論文参考訳（メタデータ） (2024-03-24T15:59:47Z)
ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文参考訳（メタデータ） (2023-05-23T16:40:07Z)
GREENER: Graph Neural Networks for News Media Profiling [24.675574340841163]
本稿では,ウェブ上でのニュースメディアのプロファイリングの問題について,その実態と偏見について考察する。私たちの主な焦点は、オーディエンスの重複に基づいて、メディア間の類似性をモデル化することにあります。予測精度は2つのタスクに対して2.5-27マクロF1ポイント向上した。
論文参考訳（メタデータ） (2022-11-10T12:46:29Z)
Quantifying the Online Long-Term Interest in Research [0.0]
研究論文がオンライン上でいつまで言及されているかを知ることは、研究者にとって貴重な情報となるかもしれない。利用者が学術論文を共有したり議論したりする複数のソーシャルメディアプラットフォームを分析した。これら3つのクラスタのそれぞれのオンラインソーシャルメディアメトリクスを使用して、研究論文における長期的なオンライン関心を予測するために、機械学習モデルを構築しました。
論文参考訳（メタデータ） (2022-09-13T16:57:44Z)
Spatio-Temporal Graph Representation Learning for Fraudster Group Detection [50.779498955162644]
企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
論文参考訳（メタデータ） (2022-01-07T08:01:38Z)
Multi-modal Attention Network for Stock Movements Prediction [0.0]
競合を減らし,意味的特徴と数値的特徴を統合し,将来の株価変動を予測するマルチモーダリティアテンションネットワークを提案する。実験の結果,予測精度(61.20%)と取引利益(9.13%)の両面で,従来の手法よりも優れていた。
論文参考訳（メタデータ） (2021-12-27T10:03:09Z)
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)
Content-based Analysis of the Cultural Differences between TikTok and Douyin [95.32409577885645]
ショートフォームのソーシャルメディアは、聴衆にダイナミックなストーリーを伝え、彼らの注意を引き付けることによって、伝統的なメディアパラダイムから遠ざかる。特に、興味深く、理解しやすいユニークなシーンを表現するために、日常的なオブジェクトの異なる組み合わせを用いることができる。同じ会社によって提供されたTikTokとDouyinは、近年人気になった新しいメディアの好例だ。メディアファッションや社会的慣用性とともに文化的な違いを表現しているという仮説が,本研究の主目的である。
論文参考訳（メタデータ） (2020-11-03T01:47:49Z)
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)
Information Consumption and Social Response in a Segregated Environment: the Case of Gab [74.5095691235917]
この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
論文参考訳（メタデータ） (2020-06-03T11:34:25Z)
Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective [98.70226503904402]
現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
論文参考訳（メタデータ） (2020-03-24T11:28:42Z)

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。