論文の概要: Can ChatGPT Compute Trustworthy Sentiment Scores from Bloomberg Market Wraps?

• arxiv url: http://arxiv.org/abs/2401.05447v1
• Date: Tue, 9 Jan 2024 10:34:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 02:32:38.503897
• Title: Can ChatGPT Compute Trustworthy Sentiment Scores from Bloomberg Market Wraps?
• Title（参考訳）: chatgptは、bloomberg marketの信頼できるセンチメントスコアを計算できるだろうか?
• Authors: Baptiste Lefort, Eric Benhamou, Jean-Jacques Ohana, David Saltiel, Beatrice Guez, Damien Challet
• Abstract要約: 本稿では、ChatGPTと2段階のプロンプトアプローチを用いて、世界ニュースの見出しが株式市場の動きにどのように影響するかを検討する。 我々は、感情スコアと将来の株式市場との統計的に有意な正の相関関係を短期から中期にわたって報告し、より長い地平線に対する負の相関関係に回帰する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We used a dataset of daily Bloomberg Financial Market Summaries from 2010 to 2023, reposted on large financial media, to determine how global news headlines may affect stock market movements using ChatGPT and a two-stage prompt approach. We document a statistically significant positive correlation between the sentiment score and future equity market returns over short to medium term, which reverts to a negative correlation over longer horizons. Validation of this correlation pattern across multiple equity markets indicates its robustness across equity regions and resilience to non-linearity, evidenced by comparison of Pearson and Spearman correlations. Finally, we provide an estimate of the optimal horizon that strikes a balance between reactivity to new information and correlation.
• Abstract（参考訳）: 2010年から2023年までの日刊ブルームバーグ・ファイナンシャル・マーケット・サマリーのデータセットを使って、大手金融メディアに投稿し、世界的なニュース見出しがチャットgptと2段階のプロンプト・アプローチで株式市場の動きにどう影響するかを判断した。 我々は、感情スコアと将来の株式市場との統計的に有意な正の相関関係を短期から中期にわたって報告し、長い地平線に対する負の相関関係に回帰する。 複数の株式市場にわたるこの相関パターンの検証は、ピアソン相関とスピアマン相関の比較によって証明された、エクイティ領域間のロバスト性と非線形性に対するレジリエンスを示している。 最後に,新しい情報に対する反応性と相関のバランスをとる最適地平線の推定を行う。

関連論文リスト

• Leveraging RNNs and LSTMs for Synchronization Analysis in the Indian Stock Market: A Threshold-Based Classification Approach [0.0]
  本研究は,機械学習と非線形時系列解析を用いて株価の同期を予測するための新しいアプローチを提案する。 この手法を21年間にわたるインド市場からの20の高資本株のデータセットに適用する。 その結果,本手法は株価同期を精度0.98,F1スコア0.83で予測できることがわかった。
  論文  参考訳（メタデータ） (2024-08-27T11:08:37Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements [11.97251638872227]
  本稿では、取引データとそれに対応する社会的感情測定の両方を用いて、個別のシーケンス・ツー・シーケンス・チャネルを通じて、金融市場の動きを予測するための新しい深層学習手法であるDouble-CLVSAを提案する。 その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-01-27T20:32:46Z)
• 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)
• Long-term, Short-term and Sudden Event: Trading Volume Movement Prediction with Graph-based Multi-view Modeling [21.72694417816051]
  本稿では,多視点情報,すなわち長期株価傾向,短期変動,突然の事象情報を時間的不均一グラフに結合するグラフベースの手法を提案する。 提案手法は, 変動の異なる視点間の相関を強調し, 予測精度を向上する。
  論文  参考訳（メタデータ） (2021-08-23T03:06:04Z)
• 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)
• Predictive intraday correlations in stable and volatile market environments: Evidence from deep learning [2.741266294612776]
  我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。 以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。 ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
  論文  参考訳（メタデータ） (2020-02-24T17:19:54Z)
• 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。