論文の概要: Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2407.16150v1
- Date: Tue, 23 Jul 2024 03:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 18:45:39.576258
- Title: Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis
- Title（参考訳）: FinBERT-LSTMによる株価予測:ニュースセンシティメント分析の統合
- Authors: Wenjun Gu, Yihao Zhong, Shizun Li, Changsong Wei, Liting Dong, Zhuoyue Wang, Chao Yan,
- Abstract要約: 我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。
我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。
このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
- 参考スコア（独自算出の注目度）: 2.7921137693344384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The stock market's ascent typically mirrors the flourishing state of the economy, whereas its decline is often an indicator of an economic downturn. Therefore, for a long time, significant correlation elements for predicting trends in financial stock markets have been widely discussed, and people are becoming increasingly interested in the task of financial text mining. The inherent instability of stock prices makes them acutely responsive to fluctuations within the financial markets. In this article, we use deep learning networks, based on the history of stock prices and articles of financial, business, technical news that introduce market information to predict stock prices. We illustrate the enhancement of predictive precision by integrating weighted news categories into the forecasting model. We developed a pre-trained NLP model known as FinBERT, designed to discern the sentiments within financial texts. Subsequently, we advanced this model by incorporating the sophisticated Long Short Term Memory (LSTM) architecture, thus constructing the innovative FinBERT-LSTM model. This model utilizes news categories related to the stock market structure hierarchy, namely market, industry, and stock related news categories, combined with the stock market's stock price situation in the previous week for prediction. We selected NASDAQ-100 index stock data and trained the model on Benzinga news articles, and utilized Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Accuracy as the key metrics for the assessment and comparative analysis of the model's performance. The results indicate that FinBERT-LSTM performs the best, followed by LSTM, and DNN model ranks third in terms of effectiveness.
- Abstract（参考訳）: 株式市場の上昇は経済の隆盛を反映しているが、その減少は経済の低迷の兆候であることが多い。
そのため、長い間、金融株市場のトレンドを予測するための重要な相関要素が広く議論され、金融テキストマイニングの課題への関心が高まっている。
株価の固有の不安定さは、金融市場の変動に迅速に反応する。
本稿では、株式市場の歴史と金融、ビジネス、技術ニュースに基づいて、市場情報を導入して株価を予測するディープ・ラーニング・ネットワークを利用する。
本稿では,重み付きニュースカテゴリを予測モデルに組み込むことにより,予測精度の向上について述べる。
我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。
その後,高度なLong Short Term Memory (LSTM) アーキテクチャを導入し,革新的なFinBERT-LSTMモデルを構築した。
このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
我々はNASDAQ-100インデックスストックデータを選択し、ベンジンガのニュース記事上でモデルを訓練し、平均絶対誤差(MAE)、平均絶対誤差(MAPE)、精度をモデルの性能評価と比較分析の鍵となる指標として利用した。
その結果,FinBERT-LSTMが最良であり,LSTMが続いてDNNモデルが3位となった。
関連論文リスト
- Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning [0.0]
この研究は、既存の株価予測手法に関する文献に基づいており、機械学習とディープラーニングアプローチへのシフトを強調している。
LSTMモデルでは、NSE、インドに上場している18のセクターで180銘柄の歴史的株価を用いて、将来の価格を予測する。
その結果,株価を正確に予測し,投資決定を下す上でLSTMモデルの有効性が示された。
論文 参考訳（メタデータ） (2024-05-28T17:55:54Z) - 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) - Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。
この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。
LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
論文 参考訳（メタデータ） (2023-12-09T07:53:25Z) - 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) - 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 [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) - FinBERT-LSTM: Deep Learning based stock price prediction using News
Sentiment Analysis [0.0]
市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。
私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
論文 参考訳（メタデータ） (2022-11-11T15:13:16Z) - 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) - Financial Market Trend Forecasting and Performance Analysis Using LSTM [0.0]
LSTMを用いた金融市場トレンド予測手法を提案し、実験を通して既存の金融市場トレンド予測手法を用いて性能を解析する。
本稿では,既存の金融市場トレンド予測モデルの性能と,金融市場環境に応じたパフォーマンスを実験的に比較する。
論文 参考訳（メタデータ） (2020-03-31T01:30:36Z)
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。