論文の概要: SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest
- arxiv url: http://arxiv.org/abs/2410.07143v1
- Date: Sun, 22 Sep 2024 20:22:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-20 10:39:53.733261
- Title: SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest
- Title(参考訳): SARF:指数増分林による株式市場予測の強化
- Authors: Saber Talazadeh, Dragan Perakovic,
- Abstract要約: 本研究では、FinGPT生成AIモデルと従来のランダムフォレストモデルを用いた感情分析を統合することで、株式市場の予測に新たなアプローチを導入する。
本稿では,感情特徴をランダムフォレストフレームワークに組み込んだ「感性増強ランダムフォレスト(SARF)」という新たな方法論を提案する。
実験の結果,SARFは従来のランダムフォレストモデルやLSTMモデルよりも平均精度が9.23%向上し,予測誤差が低かった。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Stock trend forecasting, a challenging problem in the financial domain, involves ex-tensive data and related indicators. Relying solely on empirical analysis often yields unsustainable and ineffective results. Machine learning researchers have demonstrated that the application of random forest algorithm can enhance predictions in this context, playing a crucial auxiliary role in forecasting stock trends. This study introduces a new approach to stock market prediction by integrating sentiment analysis using FinGPT generative AI model with the traditional Random Forest model. The proposed technique aims to optimize the accuracy of stock price forecasts by leveraging the nuanced understanding of financial sentiments provided by FinGPT. We present a new methodology called "Sentiment-Augmented Random Forest" (SARF), which in-corporates sentiment features into the Random Forest framework. Our experiments demonstrate that SARF outperforms conventional Random Forest and LSTM models with an average accuracy improvement of 9.23% and lower prediction errors in pre-dicting stock market movements.
- Abstract(参考訳): 金融分野で難しい問題である株価トレンド予測には、急激なデータと関連する指標が含まれる。
経験分析だけに頼れば、持続不可能で効果の低い結果が得られることが多い。
機械学習研究者は、ランダムフォレストアルゴリズムの適用により、この文脈での予測が向上し、株価トレンドの予測において重要な補助的役割を果たすことを示した。
本研究では、FinGPT生成AIモデルと従来のランダムフォレストモデルを用いた感情分析を統合することで、株式市場の予測に新たなアプローチを導入する。
提案手法は、FinGPTが提供する財務感情の微妙な理解を活用して、株価予測の精度を最適化することを目的としている。
本稿では,感情特徴をランダムフォレストフレームワークに組み込んだ「感性増強ランダムフォレスト(SARF)」という新たな方法論を提案する。
実験の結果,SARFは従来のランダムフォレストモデルやLSTMモデルよりも平均精度が9.23%向上し,予測誤差が低かった。
関連論文リスト
- Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks [6.935130578959931]
方法はランダムウォークの変種定義から導かれ、将来の値に対するランダムなエラー項は、方向記号で乗算された正のランダムなエラーとして表現される。
0.55のような中程度の運動予測精度で、ナイーブ予測を確実に上回る。
正確な点予測が難しいが、正確な運動予測が可能である場合、特に有利である。
論文 参考訳(メタデータ) (2024-06-20T16:32:18Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳(メタデータ) (2024-02-23T06:09:45Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - 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) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - 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) - 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) - Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。
RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。
この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-01-26T18:48:51Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Towards Robust Classification with Deep Generative Forests [13.096855747795303]
決定木とランダムフォレストは最も広く使われている機械学習モデルの一つである。
主に識別モデルであるため、予測の不確実性を操作するための原則的な方法が欠けている。
我々はジェネレーティブフォレスト(GeF)を利用してランダムフォレストを特徴空間上の全関節分布を表す生成モデルに拡張する。
論文 参考訳(メタデータ) (2020-07-11T08:57:52Z)
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。