論文の概要: Earnings Prediction Using Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2311.10756v1
• Date: Fri, 10 Nov 2023 13:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 00:48:31.431474
• Title: Earnings Prediction Using Recurrent Neural Networks
• Title（参考訳）: リカレントニューラルネットワークによる収益予測
• Authors: Moritz Scherrmann, Ralf Elsas
• Abstract要約: この研究は、40年間の財務データを用いて、将来の企業利益を予測するニューラルネットワークを開発する。 アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。 会計年度末と四半期決算予測の両方を作成できる。
• 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: Firm disclosures about future prospects are crucial for corporate valuation and compliance with global regulations, such as the EU's MAR and the US's SEC Rule 10b-5 and RegFD. To comply with disclosure obligations, issuers must identify nonpublic information with potential material impact on security prices as only new, relevant and unexpected information materially affects prices in efficient markets. Financial analysts, assumed to represent public knowledge on firms' earnings prospects, face limitations in offering comprehensive coverage and unbiased estimates. This study develops a neural network to forecast future firm earnings, using four decades of financial data, addressing analysts' coverage gaps and potentially revealing hidden insights. The model avoids selectivity and survivorship biases as it allows for missing data. Furthermore, the model is able to produce both fiscal-year-end and quarterly earnings predictions. Its performance surpasses benchmark models from the academic literature by a wide margin and outperforms analysts' forecasts for fiscal-year-end earnings predictions.
• Abstract（参考訳）: 将来の見通しに関する企業情報開示は、EUのMARや米国のSECルール10b-5、RegFDといった世界的な規制の企業価値やコンプライアンスに不可欠である。 開示義務を遵守するために、発行者は、セキュリティ価格に潜在的に重大な影響を及ぼす可能性のある非公開情報のみを、効率的市場における価格に重大な影響を及ぼす新規で関連のある予期せぬ情報として特定しなければならない。 金融アナリストは企業の業績見通しに関する公的な知識を表わしており、包括的なカバレッジと偏りのない見積もりを提供する上での限界に直面している。 この研究は、将来の企業利益を予測するニューラルネットワークを開発し、40年間の財務データを使用し、アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。 このモデルはデータ欠落を可能にするため、選択性や生存バイアスを避ける。 さらに、このモデルは会計年度末と四半期決算の両方を予測できる。 その業績は学術文献のベンチマークモデルを大きく上回り、アナリストの会計年度決算予測を上回った。

関連論文リスト

• 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)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Numerical Claim Detection in Finance: A New Financial Dataset, Weak-Supervision Model, and Market Analysis [4.9524454709622585]
  ファイナンシャルドメインにおけるクレーム検出タスクのための新たな財務データセットを構築した。 本稿では,対象物の専門家(SME)の知識を集約関数に組み込んだ,新たな弱スーパービジョンモデルを提案する。 我々は、新しい測度楽観主義を構築することによって、提案したモデルの実用性を実証する」。
  論文  参考訳（メタデータ） (2024-02-18T22:55:26Z)
• American Option Pricing using Self-Attention GRU and Shapley Value Interpretation [0.0]
  本稿では,ゲートリカレントユニット(GRU)と自己認識機構に基づいて,SPY(ETF)オプションの価格を予測する機械学習手法を提案する。 我々は、多層パーセプトロン(MLP)、長期記憶(LSTM)、自己注意型LSTM、自己注意型GRUの4つの異なる機械学習モデルを構築した。
  論文  参考訳（メタデータ） (2023-10-19T06:05:46Z)
• Predictive AI for SME and Large Enterprise Financial Performance Management [0.0]
  バランスシートと所得計算の標準比率を補完する新しい金融・マクロ経済比率を紹介します。 また、企業パフォーマンスを予測するための教師付き学習モデル(MLレグレッタとニューラルネットワーク)とベイジアンモデルも提供します。 提案した変数は,標準産業比率に比例してモデル精度を向上させることができると結論づける。
  論文  参考訳（メタデータ） (2023-09-22T11:04:32Z)
• 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)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• 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)
• Absolute Value Constraint: The Reason for Invalid Performance Evaluation Results of Neural Network Models for Stock Price Prediction [5.212847826445359]
  6つの浅いニューラルネットワークを実装し、株価を予測し、4つの予測誤差尺度を用いて評価します。 その結果、予測誤差値は、株価予測のモデル精度を部分的にのみ反映し、モデル予測株価の方向の変化を反映することができないことが示された。
  論文  参考訳（メタデータ） (2021-01-10T06:51:23Z)
• Towards Earnings Call and Stock Price Movement [7.196468151661785]
  本稿では,ディープラーニングフレームワークを用いて,その言語を転写文でモデル化することを提案する。 提案モデルが従来の機械学習ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-23T20:38:14Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。