論文の概要: Real-Time Online Stock Forecasting Utilizing Integrated Quantitative and Qualitative Analysis

• arxiv url: http://arxiv.org/abs/2311.15218v2
• Date: Tue, 5 Dec 2023 14:49:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 18:45:55.032370
• Title: Real-Time Online Stock Forecasting Utilizing Integrated Quantitative and Qualitative Analysis
• Title（参考訳）: 定量的・質的統合分析を用いたリアルタイムオンライン株価予測
• Authors: Sai Akash Bathini, Dagli Cihan
• Abstract要約: このデータセットは、2018年1月から2022年12月まで、様々な産業セクターを代表する8社の日次エントリーと、ダウ・ジョーンズ工業平均(DJIA)全体で構成されている。 生成されたデータは、リアルタイムのデータポイントを毎日取得したインクリメンタルオンライン学習に使用することができる。 リアルタイムデータよりもスピアマンのランク相関を利用して、株価のリターンと感情分析を結びつけることで、DJIAが60%を超える精度を達成できたことは注目に値する結果となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The application of Machine learning to finance has become a familiar approach, even more so in stock market forecasting. The stock market is highly volatile and huge amounts of data are generated every minute globally. The extraction of effective intelligence from this data is of critical importance. However, a collaboration of numerical stock data with qualitative text data can be a challenging task. In this work, we accomplish this and provide an unprecedented, publicly available dataset with technical and fundamental data, sentiment that we gathered from News Archives, TV news captions, Radio Transcripts, Tweets, Daily financial newspapers, etc. The text data entries used for sentiment extraction total more than 1.4 Million. The dataset consists of daily entries from January 2018 to December 2022 for 8 companies representing diverse industrial sectors and the Dow Jones Industrial Average (DJIA) as a whole. Holistic Fundamental and Technical data is provided training ready for Model learning and deployment. The data generated could be used for Incremental online learning with real-time data points retrieved daily, since there was no stagnant data utilized, all the data was retired from APIs or self-designed scripts. Moreover, the utilization of Spearman's rank correlation over real-time data, linking stock returns with sentiment analysis has produced noteworthy results for the DJIA achieving accuracy levels surpassing 60\%. The dataset is made available at https://github.com/batking24/Huge-Stock-Dataset
• Abstract（参考訳）: 機械学習の金融への応用は、株式市場の予測よりもよく知られたアプローチになっている。 株式市場は揮発性が高く、全世界で毎分大量のデータが生成される。 このデータから効果的なインテリジェンスを抽出することが重要である。 しかし,数値ストックデータと定性的テキストデータとの協調は難しい課題である。 本研究は,前例のない,技術的かつ基本的なデータと,ニュースアーカイブやテレビニュースキャプション,ラジオの書き起こし,ツイート,日々の金融新聞などから収集した感情を備えたデータセットを提供する。 感情抽出に使われるテキストデータエントリは合計で140万以上である。 データセットは、2018年1月から2022年12月まで、様々な産業セクターを代表する8社の日次エントリーと、ダウ・ジョーンズ工業平均(DJIA)全体で構成されている。 モデル学習とデプロイの準備が整った、ホロスティック基本および技術データを提供する。 生成されたデータは、リアルタイムのデータポイントを毎日取得したインクリメンタルオンライン学習に使用することができる。 また、株価のリターンと感情分析を結びつけるリアルタイムデータに対するスピアーマンのランク相関の利用は、精度が60%を超えるdjiaにとって注目すべき結果となっている。 データセットはhttps://github.com/batking24/Huge-Stock-Datasetで公開されている。

関連論文リスト

• AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
  本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。 本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。 提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-30T15:06:57Z)
• OpenDataLab: Empowering General Artificial Intelligence with Open Datasets [53.22840149601411]
  本稿では,多様なデータソース間のギャップと統一データ処理の必要性を埋めるプラットフォームであるOpenDataLabを紹介する。 OpenDataLabは、幅広いオープンソースのAIデータセットを統合し、インテリジェントクエリと高速ダウンロードサービスを通じて、データ取得効率を向上させる。 我々は,OpenDataLabが人工知能(AGI)の研究を大幅に促進し,関連するAI分野の進歩を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-04T10:42:01Z)
• A Dataset for the Validation of Truth Inference Algorithms Suitable for Online Deployment [76.04306818209753]
  実世界のクラウドソーシングプラットフォームから収集した,実質的なクラウドソーシングアノテーションデータセットを紹介する。 このデータセットは、約2万のワーカー、100万のタスク、600万のアノテーションで構成されている。 本データセットにおけるいくつかの代表的真理推論アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-03-10T16:00:41Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Data-Copilot: Bridging Billions of Data and Humans with Autonomous Workflow [49.724842920942024]
  金融、気象学、エネルギーといった産業は毎日大量のデータを生み出している。 本研究では,データ分析エージェントであるData-Copilotを提案する。
  論文  参考訳（メタデータ） (2023-06-12T16:12:56Z)
• Data Budgeting for Machine Learning [17.524791147624086]
  データ予算問題を研究し,それを2つのサブプロブレムとして定式化する。 本稿では,データ予算問題の解法を提案する。 私たちの経験的評価は、50ドル以下のデータポイントを持つ小さなパイロットスタディデータセットを前提として、データ予算の実行が可能であることを示しています。
  論文  参考訳（メタデータ） (2022-10-03T14:53:17Z)
• DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
  DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。 私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。 ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
  論文  参考訳（メタデータ） (2022-07-20T17:47:54Z)
• Financial data analysis application via multi-strategy text processing [0.2741266294612776]
  本稿では、主に中国A株会社の株価取引データとニュースに焦点を当てる。 本稿では,自然言語処理(NLP)と知識グラフ(KG)技術を用いた金融テキスト処理アプリケーションシナリオの深層学習に向けた取り組みと計画について述べる。
  論文  参考訳（メタデータ） (2022-04-25T01:56:36Z)
• Data Augmentation for Deep Candlestick Learner [2.104922050913737]
  そこで本研究では,ロウソクスティックデータを改良したローカルサーチアタックサンプリング手法を提案する。 提案手法は,人間の識別が難しい高品質なデータを生成することができることを示す。
  論文  参考訳（メタデータ） (2020-05-14T06:02:31Z)
• DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a Trained Classifier [58.979104709647295]
  我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。 利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。 関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
  論文  参考訳（メタデータ） (2019-12-27T02:05:45Z)

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。