論文の概要: SETN: Stock Embedding Enhanced with Textual and Network Information
- arxiv url: http://arxiv.org/abs/2408.02899v1
- Date: Tue, 6 Aug 2024 02:07:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 15:19:13.589047
- Title: SETN: Stock Embedding Enhanced with Textual and Network Information
- Title（参考訳）: SETN: テキストとネットワーク情報で強化されたストック埋め込み
- Authors: Takehiro Takayanagi, Hiroki Sakaji, Kiyoshi Izumi,
- Abstract要約: 本稿では,テキスト情報を埋め込むドメイン適応型事前学習型トランスフォーマーモデルと,ネットワーク情報を把握するためのグラフニューラルネットワークモデルを提案する。
また,提案モデルから得られたストック埋め込みは,ベースライン法から得られたものよりも,主題的資金の創出に優れることを示した。
- 参考スコア（独自算出の注目度）: 5.955073559138537
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stock embedding is a method for vector representation of stocks. There is a growing demand for vector representations of stock, i.e., stock embedding, in wealth management sectors, and the method has been applied to various tasks such as stock price prediction, portfolio optimization, and similar fund identifications. Stock embeddings have the advantage of enabling the quantification of relative relationships between stocks, and they can extract useful information from unstructured data such as text and network data. In this study, we propose stock embedding enhanced with textual and network information (SETN) using a domain-adaptive pre-trained transformer-based model to embed textual information and a graph neural network model to grasp network information. We evaluate the performance of our proposed model on related company information extraction tasks. We also demonstrate that stock embeddings obtained from the proposed model perform better in creating thematic funds than those obtained from baseline methods, providing a promising pathway for various applications in the wealth management industry.
- Abstract（参考訳）: ストック埋め込みは、ストックのベクトル表現の方法である。
株式のベクター表現、すなわち、資産管理部門における株式の埋め込みに対する需要が高まっており、この手法は、株価予測、ポートフォリオ最適化、および類似のファンド識別といった様々なタスクに応用されている。
ストック埋め込みは、ストック間の相対関係の定量化を可能にする利点があり、テキストやネットワークデータのような構造化されていないデータから有用な情報を抽出することができる。
本研究では,テキスト情報とネットワーク情報(SETN)で強化されたストック埋め込みについて,ドメイン適応型事前学習型トランスフォーマーモデルを用いて,テキスト情報とグラフニューラルネットワークモデルを用いてネットワーク情報の把握を行う。
本稿では,企業情報抽出タスクにおける提案モデルの性能評価を行う。
また,提案モデルから得られたストック埋め込みは,基本的手法から得られたものよりもテーマ的資金の創出に優れており,富裕管理産業における様々な応用に期待できる道筋であることを示す。
関連論文リスト
- Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。
本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。
本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
論文 参考訳（メタデータ） (2024-07-26T17:51:58Z) - Contrastive Learning of Asset Embeddings from Financial Time Series [8.595725772518332]
金融時系列データから資産埋め込みを生成するための,新しいコントラスト学習フレームワークを提案する。
提案手法は,多くのサブウインドウに対するアセットリターンの類似性を利用して,情報的正および負のサンプルを生成する。
実世界のデータセットに関する実験は、ベンチマーク業界分類とポートフォリオ最適化タスクにおける学習した資産埋め込みの有効性を実証している。
論文 参考訳（メタデータ） (2024-07-26T10:26:44Z) - How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳（メタデータ） (2024-04-04T13:55:06Z) - 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) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳（メタデータ） (2022-06-17T15:40:45Z) - Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。
大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。
我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
論文 参考訳（メタデータ） (2022-04-08T03:37:56Z) - Data Considerations in Graph Representation Learning for Supply Chain
Networks [64.72135325074963]
本稿では,隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。
本稿では,グローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。
論文 参考訳（メタデータ） (2021-07-22T12:28:15Z) - Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor
and Optimal Transport [8.617532047238461]
本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。
TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。
提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
論文 参考訳（メタデータ） (2021-06-24T12:19:45Z) - A News-based Machine Learning Model for Adaptive Asset Pricing [0.0]
本稿は,NEUS(News Embedding UMAP Selection)モデルという新たなアセット価格モデルを提案する。
この新しいモデルは、Fama-French 5-factorモデルよりもはるかに優れたフィッティングと予測能力を持つことが示されている。
論文 参考訳（メタデータ） (2021-06-13T22:38:20Z) - A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock
Prices and News [7.578363431637128]
本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。
ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。
完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
論文 参考訳（メタデータ） (2020-07-23T15:25:37Z)
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。