論文の概要: Do Weibo platform experts perform better at predicting stock market?

• arxiv url: http://arxiv.org/abs/2403.00772v1
• Date: Mon, 12 Feb 2024 10:04:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 00:21:09.557237
• Title: Do Weibo platform experts perform better at predicting stock market?
• Title（参考訳）: Weiboプラットフォームの専門家は株式市場の予測に優れているか?
• Authors: Ziyuan Ma, Conor Ryan, Jim Buckley, and Muslim Chochlov
• Abstract要約: Weiboのソーシャルネットワーキングプラットフォームは、感情データ収集のソースとして使用されている。 Weiboのユーザは、認可金融アドバイザー(AFA)と無認可金融アドバイザー(UFA)グループに分けられる。 香港ハンセン指数は、歴史的株式市場の変化データを抽出するために使用されている。
• 参考スコア（独自算出の注目度）: 0.8999666725996978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sentiment analysis can be used for stock market prediction. However, existing research has not studied the impact of a user's financial background on sentiment-based forecasting of the stock market using artificial neural networks. In this work, a novel combination of neural networks is used for the assessment of sentiment-based stock market prediction, based on the financial background of the population that generated the sentiment. The state-of-the-art language processing model Bidirectional Encoder Representations from Transformers (BERT) is used to classify the sentiment and a Long-Short Term Memory (LSTM) model is used for time-series based stock market prediction. For evaluation, the Weibo social networking platform is used as a sentiment data collection source. Weibo users (and their comments respectively) are divided into Authorized Financial Advisor (AFA) and Unauthorized Financial Advisor (UFA) groups according to their background information, as collected by Weibo. The Hong Kong Hang Seng index is used to extract historical stock market change data. The results indicate that stock market prediction learned from the AFA group users is 39.67% more precise than that learned from the UFA group users and shows the highest accuracy (87%) when compared to existing approaches.
• Abstract（参考訳）: 感情分析は株式市場の予測に使用できる。 しかし、既存の研究では、ニューラルネットワークを用いた株式市場の感情に基づく予測に対する、ユーザの財務的背景の影響は研究されていない。 本研究では、感情を発生させた人口の財務的背景に基づいて、感情に基づく株式市場予測を評価するために、ニューラルネットワークの新たな組み合わせが用いられる。 最先端の言語処理モデルであるBERT(Bidirectional Encoder Representations from Transformers)は感情の分類に使われ、時系列ベースの株式市場予測にはLSTM(Long-Short Term Memory)モデルが使用される。 評価のために、Weiboソーシャルネットワーキングプラットフォームは感情データ収集のソースとして使用される。 weiboユーザ(およびそれぞれのコメント)は、weiboが収集した背景情報に基づいて、認証金融アドバイザー(afa)と不正金融アドバイザー(ufa)グループに分割される。 香港ハンセン指数は、歴史的株式市場の変化データを抽出するために使用される。 その結果、afaグループのユーザーから学んだ株式市場の予測は、ufaグループのユーザーから学んだよりも39.67%正確であり、既存のアプローチと比較して最高精度(87%)を示している。

関連論文リスト

• 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)
• Effect of Leaders Voice on Financial Market: An Empirical Deep Learning Expedition on NASDAQ, NSE, and Beyond [1.6622844933418388]
  異なる分野のリーダーのTwitterハンドルのNLP分析に基づいて、ディープラーニングに基づくモデルを提案し、金融市場のトレンドを予測する。 インドとアメリカの金融市場は、将来他の市場が取られるように、現在の作業で探索されている。
  論文  参考訳（メタデータ） (2024-03-18T18:19:08Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Stock Market Prediction via Deep Learning Techniques: A Survey [24.88558334340833]
  本稿では,ディープラーニング技術に着目した株式市場予測に関する研究の概要について概説する。 株式市場予測の詳細なサブタスクを4つ提示し、最先端モデルを要約する新しい分類法を提案する。 さらに、株式市場でよく使われるデータセットと評価指標について詳細な統計情報を提供する。
  論文  参考訳（メタデータ） (2022-12-24T11:32:17Z)
• Stock price prediction using BERT and GAN [0.0]
  本稿では、株価を予測するための最先端の手法の集合体を提案する。 これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。 その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
  論文  参考訳（メタデータ） (2021-07-18T18:31:43Z)
• A Novel Deep Reinforcement Learning Based Stock Direction Prediction using Knowledge Graph and Community Aware Sentiments [0.0]
  提案手法は,市場予測タスクにおいて顕著な結果をもたらす。 このモデルの有効性を示すために、イスタンブール証券取引所のGaranti Bank(GARAN)、Akbank(AKBNK)、T'urkiye.Ics Bankasi(ISCTR)の株がケーススタディとして使用されている。
  論文  参考訳（メタデータ） (2021-07-02T09:39:41Z)
• Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model [1.2891210250935146]
  長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。 特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。 インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
  論文  参考訳（メタデータ） (2021-04-06T11:09:51Z)

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。