論文の概要: Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning
- arxiv url: http://arxiv.org/abs/2409.17392v1
- Date: Wed, 25 Sep 2024 22:09:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-29 00:01:07.934007
- Title: Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning
- Title（参考訳）: 自己監督型コントラスト表現学習を用いた発話シーズンのトレーディング
- Authors: Zhengxin Joseph Ye, Bjoern Schuller,
- Abstract要約: Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。
我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。
CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
- 参考スコア（独自算出の注目度）: 1.6574413179773761
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earnings release is a key economic event in the financial markets and crucial for predicting stock movements. Earnings data gives a glimpse into how a company is doing financially and can hint at where its stock might go next. However, the irregularity of its release cycle makes it a challenge to incorporate this data in a medium-frequency algorithmic trading model and the usefulness of this data fades fast after it is released, making it tough for models to stay accurate over time. Addressing this challenge, we introduce the Contrastive Earnings Transformer (CET) model, a self-supervised learning approach rooted in Contrastive Predictive Coding (CPC), aiming to optimise the utilisation of earnings data. To ascertain its effectiveness, we conduct a comparative study of CET against benchmark models across diverse sectors. Our research delves deep into the intricacies of stock data, evaluating how various models, and notably CET, handle the rapidly changing relevance of earnings data over time and over different sectors. The research outcomes shed light on CET's distinct advantage in extrapolating the inherent value of earnings data over time. Its foundation on CPC allows for a nuanced understanding, facilitating consistent stock predictions even as the earnings data ages. This finding about CET presents a fresh approach to better use earnings data in algorithmic trading for predicting stock price trends.
- Abstract（参考訳）: 決算発表は金融市場で重要な経済イベントであり、株価の動きを予測するのに不可欠だ。
Earningsのデータは、企業がどのように財政的に行なっているのかを垣間見せてくれる。
しかし、そのリリースサイクルの不規則さは、このデータを中頻度のアルゴリズムトレーディングモデルに組み込むことを難しくし、リリース後にそのデータの有用性は急速に低下し、モデルが時間とともに正確であることは困難である。
この課題に対処するために,Contrastive Earnings Transformer(CET)モデルを導入する。これは,Contrastive Predictive Coding(CPC)に根ざした自己教師型学習アプローチで,収益データの利用を最適化することを目的としている。
その有効性を確認するため、様々な分野のベンチマークモデルに対してCETの比較研究を行う。
我々の研究は、株価データの複雑さを深く掘り下げ、様々なモデル、特にCETが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価する。
調査結果は、CETが経常利益データの本質的価値を外挿する際、明らかに有利な点を浮き彫りにした。
CPCの基盤は微妙な理解を可能にし、決算データ時代においても一貫した株価予測を促進する。
CETに関するこの発見は、株価トレンドを予測するアルゴリズム取引において、収益データを改善するための新しいアプローチを提示している。
関連論文リスト
- An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。
時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。
テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
論文 参考訳（メタデータ） (2024-08-22T13:58:55Z) - Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。
近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。
この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文 参考訳（メタデータ） (2024-08-13T04:53:31Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳（メタデータ） (2024-02-23T10:21:07Z) - 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) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - A comparative study of Different Machine Learning Regressors For Stock
Market Prediction [2.1485350418225244]
我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。
目標は、履歴データを用いて翌日の株式の公開価格を計算することである。
このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
論文 参考訳（メタデータ） (2021-04-14T15:37:33Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z) - A Deep Learning Framework for Predicting Digital Asset Price Movement
from Trade-by-trade Data [20.392440676633573]
本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。
このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。
現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
論文 参考訳（メタデータ） (2020-10-11T10:42:02Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning [2.741266294612776]
我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。
以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
論文 参考訳（メタデータ） (2020-02-24T17:19:54Z)
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。