論文の概要: Enhancing Financial Market Predictions: Causality-Driven Feature Selection
- arxiv url: http://arxiv.org/abs/2408.01005v1
- Date: Fri, 2 Aug 2024 04:40:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 14:26:49.292498
- Title: Enhancing Financial Market Predictions: Causality-Driven Feature Selection
- Title(参考訳): 金融市場予測の強化:因果関係による特徴選択
- Authors: Wenhao Liang, Zhengyang Li, Weitong Chen,
- Abstract要約: FinSenデータセットは、197カ国の経済・金融ニュース記事と株式市場データを統合している。
本研究は、市場予測精度と信頼性を高めるために、因果検証された感情スコアとLSTMモデルを活用する。
- 参考スコア(独自算出の注目度): 3.7426958478253254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the FinSen dataset that revolutionizes financial market analysis by integrating economic and financial news articles from 197 countries with stock market data. The dataset's extensive coverage spans 15 years from 2007 to 2023 with temporal information, offering a rich, global perspective with 160,000 records on financial market news. Our study leverages causally validated sentiment scores and LSTM models to enhance market forecast accuracy and reliability. Utilizing the FinSen dataset, we introduce an innovative Focal Calibration Loss, reducing Expected Calibration Error (ECE) to 3.34 percent with the DAN 3 model. This not only improves prediction accuracy but also aligns probabilistic forecasts closely with real outcomes, crucial for the financial sector where predicted probability is paramount. Our approach demonstrates the effectiveness of combining sentiment analysis with precise calibration techniques for trustworthy financial forecasting where the cost of misinterpretation can be high. Finsen Data can be found at [this github URL](https://github.com/EagleAdelaide/FinSen_Dataset.git).
- Abstract(参考訳): 本稿では、197カ国の経済・金融ニュース記事と株式市場データを統合することで、金融市場分析に革命をもたらすFinSenデータセットを紹介する。
データセットの広範なカバレッジは、2007年から2023年までの15年間にわたって、時間的情報とともに、金融市場ニュースに関する16万件の記録を持つ、豊かなグローバルな視点を提供する。
本研究は、市場予測精度と信頼性を高めるために、因果検証された感情スコアとLSTMモデルを活用する。
FinSenデータセットを利用することで、革新的なフーカルキャリブレーション損失を導入し、期待キャリブレーションエラー(ECE)をDAN 3モデルで3.34%削減する。
これは予測精度を向上するだけでなく、予測確率が最重要である金融セクターにとって重要な、実際の結果と密に確率予測を一致させる。
提案手法は,誤解釈のコストが高い信頼に値する財務予測において,感情分析と正確な校正手法を組み合わせることの有効性を示す。
Finsen Dataは[このgithub URL](https://github.com/EagleAdelaide/FinSen_Dataset.git)で見ることができる。
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) - Sentiment-driven prediction of financial returns: a Bayesian-enhanced
FinBERT approach [1.131316248570352]
本研究では、FinBERT大言語モデルを用いて、ツイートから抽出した感情情報を活用する効果を示す。
この成功は、バックテストトレーディング中に明らかに高い累積利益をもたらす。
論文 参考訳(メタデータ) (2024-03-07T11:56:36Z) - 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) - Transforming Sentiment Analysis in the Financial Domain with ChatGPT [0.07499722271664146]
本研究では,金融感情分析における大規模言語モデル,特にChatGPT 3.5の可能性について検討する。
ChatGPTは、感情分類で約35%向上し、市場リターンと36%高い相関を示した。
この研究は、特にゼロショットの文脈において、迅速なエンジニアリングの重要性を浮き彫りにすることで、ChatGPTが金融アプリケーションにおける感情分析を大幅に強化する可能性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-08-13T09:20:47Z) - Measuring Consistency in Text-based Financial Forecasting Models [10.339586273664725]
FinTrustは財務文書の論理的一貫性を評価する評価ツールである。
金融予測のための最先端NLPモデルの整合性は乏しいことを示す。
意味保存による性能劣化の分析は,現在のテキストベースの手法が市場情報の堅牢な予測に適していないことを示唆している。
論文 参考訳(メタデータ) (2023-05-15T10:32:26Z) - Financial Distress Prediction For Small And Medium Enterprises Using
Machine Learning Techniques [5.301137510638804]
ファイナンシャルディストレス予測(Financial Distress Prediction)は、失敗する構造物の数と確率を正確に予測することで、経済において重要な役割を果たす。
しかし、中小企業にとっての財政難の予測は、そのあいまいさが原因で困難である。
本稿では,金融データの薄面成分分析,コーポレートガバナンスの質,および市場交換データを関連ベクタマシンに組み込んだ企業FCPモデルを提案する。
論文 参考訳(メタデータ) (2023-02-23T15:58:30Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳(メタデータ) (2021-09-30T19:19:09Z) - 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) - Tracking Turbulence Through Financial News During COVID-19 [12.031113181911627]
我々は、2020年のパンデミックの米国金融崩壊における金融出版物の感情に関する関係を明らかにし、議論する。
まず、アメリカの大手金融ニュース出版社の記事に対して、金融感情に関する専門的な注釈をいくつか紹介する。
探索的なデータ分析の後、金融感情を予測するタスクに対処するCNNベースのアーキテクチャについて述べる。
論文 参考訳(メタデータ) (2021-09-09T15:55:32Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z) - 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。