論文の概要: CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Movement Prediction
- arxiv url: http://arxiv.org/abs/2411.06391v1
- Date: Sun, 10 Nov 2024 08:24:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:12:56.316310
- Title: CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Movement Prediction
- Title（参考訳）: CausalStock:ニュース駆動の株価変動予測のためのディープエンド・ツー・エンドの因果発見
- Authors: Shuqi Li, Yuebo Sun, Yuxin Lin, Xin Gao, Shuo Shang, Rui Yan,
- Abstract要約: ニュース駆動型マルチストック運動予測のための新しいフレームワークCausalStockを提案する。
CaulStockは株間の時間的因果関係を発見する。
CaulStockは、ニュース駆動のマルチストックムーブメント予測とマルチストックムーブメント予測の両方において、強力なベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 38.12994829222134
- License:
- Abstract: There are two issues in news-driven multi-stock movement prediction tasks that are not well solved in the existing works. On the one hand, "relation discovery" is a pivotal part when leveraging the price information of other stocks to achieve accurate stock movement prediction. Given that stock relations are often unidirectional, such as the "supplier-consumer" relationship, causal relations are more appropriate to capture the impact between stocks. On the other hand, there is substantial noise existing in the news data leading to extracting effective information with difficulty. With these two issues in mind, we propose a novel framework called CausalStock for news-driven multi-stock movement prediction, which discovers the temporal causal relations between stocks. We design a lag-dependent temporal causal discovery mechanism to model the temporal causal graph distribution. Then a Functional Causal Model is employed to encapsulate the discovered causal relations and predict the stock movements. Additionally, we propose a Denoised News Encoder by taking advantage of the excellent text evaluation ability of large language models (LLMs) to extract useful information from massive news data. The experiment results show that CausalStock outperforms the strong baselines for both news-driven multi-stock movement prediction and multi-stock movement prediction tasks on six real-world datasets collected from the US, China, Japan, and UK markets. Moreover, getting benefit from the causal relations, CausalStock could offer a clear prediction mechanism with good explainability.
- Abstract（参考訳）: ニュース駆動型マルチストック・ムーブメント予測タスクには2つの課題があり、既存の作業ではうまく解決されていない。
一方、「関係発見」は、他の株式の価格情報を活用して正確な株価変動予測を行う際の重要な部分である。
株式関係が「スーパー・コンシューマー」関係のような一方向性であることを考えると、株式間の影響を捉えるのに因果関係の方が適している。
一方、ニュースデータにはかなりのノイズがあり、有効な情報を抽出することが困難である。
本稿では,これら2つの課題を念頭に,ニュース駆動型マルチストック運動予測のためのCausalStockという新しいフレームワークを提案し,株価間の時間的因果関係を明らかにする。
時間的因果グラフ分布をモデル化するために,ラグに依存した時間的因果探索機構を設計する。
次に、機能因果モデルを用いて、発見された因果関係をカプセル化し、株価の動きを予測する。
さらに,大規模言語モデル(LLM)の優れたテキスト評価機能を活用して,大規模ニュースデータから有用な情報を抽出するデノライズドニュースエンコーダを提案する。
実験の結果,CausalStockは,米国,中国,日本,英国から収集した6つの実世界のデータセットにおいて,ニュース駆動型多種移動予測と多種移動予測の双方において,強力なベースラインを達成していることがわかった。
さらに、因果関係の恩恵を受けることで、CausalStockは説明性の良い明確な予測メカニズムを提供することができる。
関連論文リスト
- Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - 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) - ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。
この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。
我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-05-23T16:40:07Z) - Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed
Generative Network [2.1163070161951865]
本稿では、市場固有の特性を意図的に設計したインデックスGANを提案する。
また、実数列と予測列の間のワッサーシュタイン距離を近似するために批判を利用する。
論文 参考訳（メタデータ） (2023-02-27T21:56:56Z) - Long-term, Short-term and Sudden Event: Trading Volume Movement
Prediction with Graph-based Multi-view Modeling [21.72694417816051]
本稿では,多視点情報,すなわち長期株価傾向,短期変動,突然の事象情報を時間的不均一グラフに結合するグラフベースの手法を提案する。
提案手法は, 変動の異なる視点間の相関を強調し, 予測精度を向上する。
論文 参考訳（メタデータ） (2021-08-23T03:06:04Z) - Graph-Based Learning for Stock Movement Prediction with Textual and
Relational Data [0.0]
ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。
このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。
精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-07-22T21:57:18Z) - 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 Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - A Novel Distributed Representation of News (DRNews) for Stock Market
Predictions [4.963115946610032]
ニュースの分散表現(DRNews)モデルを開発し,深層学習に基づく株式市場予測に適用する。
DRNewsはニュースイベント間のセマンティック情報と潜在的なリンクの両方を記述するニュースベクトルを生成する。
注目のメカニズムは、短期的な株価トレンドと株式市場の危機の両方が日々のニュースから影響を受けていることを示唆している。
論文 参考訳（メタデータ） (2020-05-24T10:01:27Z) - Multi-Graph Convolutional Network for Relationship-Driven Stock Movement
Prediction [19.58023036416987]
ストックムーブメントを予測するために,Multi-GCGRUと呼ばれるディープラーニングフレームワークを提案する。
まず、金融分野の知識に基づいて、株間の複数の関係をグラフにエンコードする。
先行知識を更に排除するために,データから学習した適応関係を探索する。
論文 参考訳（メタデータ） (2020-05-11T09:31:44Z)
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。