論文の概要: Stock Movement and Volatility Prediction from Tweets, Macroeconomic Factors and Historical Prices

• arxiv url: http://arxiv.org/abs/2312.03758v1
• Date: Mon, 4 Dec 2023 22:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 17:51:27.906683
• Title: Stock Movement and Volatility Prediction from Tweets, Macroeconomic Factors and Historical Prices
• Title（参考訳）: つぶやき・マクロ経済要因・歴史的価格からの株価変動とボラティリティ予測
• Authors: Shengkun Wang, YangXiao Bai, Taoran Ji, Kaiqun Fu, Linhan Wang, Chang-Tien Lu
• Abstract要約: 株式市場の予測にツイートデータを使用した以前の研究は、3つの課題に直面した。 ECONには、大量のツイートデータを効率的に抽出し、デコードするアデプトツイートフィルタがある。 意味空間における自己認識機構を通じて、ストック、セクター、マクロ経済要因間の多水準関係を識別する。
• 参考スコア（独自算出の注目度）: 20.574163667057476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting stock market is vital for investors and policymakers, acting as a barometer of the economic health. We leverage social media data, a potent source of public sentiment, in tandem with macroeconomic indicators as government-compiled statistics, to refine stock market predictions. However, prior research using tweet data for stock market prediction faces three challenges. First, the quality of tweets varies widely. While many are filled with noise and irrelevant details, only a few genuinely mirror the actual market scenario. Second, solely focusing on the historical data of a particular stock without considering its sector can lead to oversight. Stocks within the same industry often exhibit correlated price behaviors. Lastly, simply forecasting the direction of price movement without assessing its magnitude is of limited value, as the extent of the rise or fall truly determines profitability. In this paper, diverging from the conventional methods, we pioneer an ECON. The framework has following advantages: First, ECON has an adept tweets filter that efficiently extracts and decodes the vast array of tweet data. Second, ECON discerns multi-level relationships among stocks, sectors, and macroeconomic factors through a self-aware mechanism in semantic space. Third, ECON offers enhanced accuracy in predicting substantial stock price fluctuations by capitalizing on stock price movement. We showcase the state-of-the-art performance of our proposed model using a dataset, specifically curated by us, for predicting stock market movements and volatility.
• Abstract（参考訳）: 株式市場の予測は投資家や政策立案者にとって不可欠であり、経済健全性のバロメーターとして機能する。 我々は、公共感情の強力な源であるソーシャルメディアデータを、政府の集計統計としてマクロ経済指標と連動させ、株式市場の予測を洗練させる。 しかし、株式市場予測にツイートデータを用いた以前の調査は3つの課題に直面している。 まず、ツイートの質は様々である。 多くはノイズと無関係な詳細で満たされているが、実際の市場シナリオを真に反映するものはごくわずかである。 第二に、そのセクターを考慮せずに、特定の株式の履歴データのみに焦点を当てることが、監視につながる可能性がある。 同じ業界内の株価は、しばしば価格行動の相関を示す。 最後に、単に価格変動の方向を評価せずに予測するだけでは、上昇または下落の程度が真に利益性を決定するため、その価値は限られている。 本稿では,従来の手法から分岐してECONを開拓する。 まず、ECONは、大量のツイートデータを効率的に抽出しデコードするアデプトツイートフィルタを持っています。 第2に、ECONは、セマンティック空間における自己認識機構を通じて、ストック、セクター、マクロ経済要因間のマルチレベル関係を識別する。 第3に、ECONは株価の動きに乗じて実質的な株価変動を予測するための精度の向上を提供する。 株式市場の動きやボラティリティを予測するために,我々が特にキュレートしたデータセットを用いて,提案モデルの最先端のパフォーマンスを示す。

関連論文リスト

• ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock Movement and Volatility Prediction [20.574163667057476]
  我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。 我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。 市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-28T13:31:39Z)
• Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing [0.0]
  この調査は、TeslaやAppleといった大手企業の株価を予測するためのツールとして、Twitterの感情の有効性を評価することを目的としている。 以上の結果から, 株価変動の主要な要因は, 肯定性, 否定性, 主観性であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-31T21:20:58Z)
• 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)
• Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
  LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。 実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
  論文  参考訳（メタデータ） (2023-08-07T14:21:05Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [57.70351255180495]
  当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。 また,ChatGPTは従来の感情分析法よりも優れていた。 ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends [0.5249805590164902]
  市場の動向を予測するための感情属性よりも文脈埋め込みの形での意味的特徴が重要であるかを検討する。 当社は、NASDAQの資本化による大手企業に関連するTwitter投稿のコーパスとその価格設定について検討する。 以上の結果から,感情的特徴の活用により,有意な頻度で測定値が上昇することが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T18:30:15Z)
• HiSA-SMFM: Historical and Sentiment Analysis based Stock Market Forecasting Model [3.6704226968275258]
  本研究の目的は、企業の金融株の将来を精度良く予測することである。 感情分析の分野での既存の研究を分析した結果、株価の動きとニュース記事の発行との間には強い相関関係があることが判明した。
  論文  参考訳（メタデータ） (2022-03-10T17:03:38Z)
• 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)
• 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)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• 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)

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。