論文の概要: CRISIS ALERT:Forecasting Stock Market Crisis Events Using Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2401.06172v1
• Date: Sat, 6 Jan 2024 04:07:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 12:53:20.157514
• Title: CRISIS ALERT:Forecasting Stock Market Crisis Events Using Machine Learning Methods
• Title（参考訳）: CRISIS ALERT:機械学習を用いた株式市場危機予測
• Authors: Yue Chen, Xingyi Andrew, Salintip Supasanya
• Abstract要約: 我々はRandom ForestやExtreme Gradient Boostingといった高度な機械学習技術を使って、市場のクラッシュの可能性を予測しています。 一般米国株指数、SP500セクター指数、および市場指標を含む75の説明変数について検討する。 選択された分類基準により、エクストリーム・グラディエント・ブースティング法は米国の株式市場危機の予測において最善を尽くすと結論付けている。
• 参考スコア（独自算出の注目度）: 9.085781986809183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Historically, the economic recession often came abruptly and disastrously. For instance, during the 2008 financial crisis, the SP 500 fell 46 percent from October 2007 to March 2009. If we could detect the signals of the crisis earlier, we could have taken preventive measures. Therefore, driven by such motivation, we use advanced machine learning techniques, including Random Forest and Extreme Gradient Boosting, to predict any potential market crashes mainly in the US market. Also, we would like to compare the performance of these methods and examine which model is better for forecasting US stock market crashes. We apply our models on the daily financial market data, which tend to be more responsive with higher reporting frequencies. We consider 75 explanatory variables, including general US stock market indexes, SP 500 sector indexes, as well as market indicators that can be used for the purpose of crisis prediction. Finally, we conclude, with selected classification metrics, that the Extreme Gradient Boosting method performs the best in predicting US stock market crisis events.
• Abstract（参考訳）: 歴史的に経済不況はしばしば急激かつ悲惨なものになった。 例えば2008年の金融危機の間、sp500は2007年10月から2009年3月までの46%下落した。 危機の兆候を早期に検出できれば、予防措置を講じることができただろう。 そこで,このような動機を活かして,ランダムフォレストや極端な勾配促進といった高度な機械学習技術を用いて,米国市場を中心に潜在的な市場崩壊を予測した。 また、これらの手法の性能を比較し、米国株式市場の暴落を予測するためのモデルについて検討したい。 当社のモデルを日々の金融市場データに適用し、高い報告頻度で応答する傾向にあります。 我々は、米国株式市場指数、SP500セクター指数、危機予測の目的で利用可能な市場指標を含む、75の説明変数について検討する。 最後に, 選択された分類指標を用いて, 極度勾配促進法が米国株式市場危機の予測に最善を尽くしていると結論づける。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Stock Movement and Volatility Prediction from Tweets, Macroeconomic Factors and Historical Prices [20.574163667057476]
  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。
  論文  参考訳（メタデータ） (2023-12-04T22:27:43Z)
• 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)
• 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)
• Spatiotemporal Transformer for Stock Movement Prediction [2.792030485253753]
  ストックムーブメント予測のための時空間トランスフォーマー-LSTMモデルを用いた新しいアプローチSTSTを提案する。 本モデルでは, ACL18データセットとKDD17データセットに対して, それぞれ63.707と56.879%の精度が得られる。 S&P500の株価指数よりも最低10.41%高い利益を得ており、年間リターンは最低31.24%だった。
  論文  参考訳（メタデータ） (2023-05-05T20:30:30Z)
• Stock Price Predictability and the Business Cycle via Machine Learning [0.8701566919381223]
  ビジネスサイクルが機械学習(ML)予測に与える影響について検討する。 S&P 500指数を用いて、ほとんどのリセッションにおいてMLモデルは悪化する。
  論文  参考訳（メタデータ） (2023-04-06T07:08:07Z)
• 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)
• 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)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)

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。