論文の概要: FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics

• arxiv url: http://arxiv.org/abs/2411.12748v1
• Date: Sat, 02 Nov 2024 14:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 05:33:08.729949
• Title: FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics
• Title（参考訳）: FinBERT-BiLSTM:市場知覚ダイナミクスを用いた揮発性暗号市場価格予測のためのディープラーニングモデル
• Authors: Mabsur Fatin Bin Hossain, Lubna Zahan Lamia, Md Mahmudur Rahman, Md Mosaddek Khan,
• Abstract要約: 本稿では,双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとFinBERTを併用して,暗号通貨の予測精度を向上させるハイブリッドモデルを提案する。 このアプローチは、先進的な時系列モデルと感情分析を組み合わせることで、不安定な金融市場の予測において重要なギャップを埋める。
• 参考スコア（独自算出の注目度）: 3.6423651166048874
• License:
• Abstract: Time series forecasting is a key tool in financial markets, helping to predict asset prices and guide investment decisions. In highly volatile markets, such as cryptocurrencies like Bitcoin (BTC) and Ethereum (ETH), forecasting becomes more difficult due to extreme price fluctuations driven by market sentiment, technological changes, and regulatory shifts. Traditionally, forecasting relied on statistical methods, but as markets became more complex, deep learning models like LSTM, Bi-LSTM, and the newer FinBERT-LSTM emerged to capture intricate patterns. Building upon recent advancements and addressing the volatility inherent in cryptocurrency markets, we propose a hybrid model that combines Bidirectional Long Short-Term Memory (Bi-LSTM) networks with FinBERT to enhance forecasting accuracy for these assets. This approach fills a key gap in forecasting volatile financial markets by blending advanced time series models with sentiment analysis, offering valuable insights for investors and analysts navigating unpredictable markets.
• Abstract（参考訳）: 時系列予測は金融市場で重要なツールであり、資産価格の予測と投資決定の導出に役立つ。 ビットコイン(BTC)やイーサリアム(ETH)のような非常に不安定な市場では、市場のセンチメントや技術的な変化、規制の変化によって引き起こされる極端な価格変動により、予測がより困難になる。 伝統的に予測は統計的手法に依存していたが、市場が複雑化するにつれて、LSTM、Bi-LSTM、新しいFinBERT-LSTMといったディープラーニングモデルが出現し、複雑なパターンを捉えるようになった。 近年の暗号通貨市場固有のボラティリティ(変動性)に対処するために,Bidirectional Long Short-Term Memory(Bi-LSTM)ネットワークとFinBERTを組み合わせたハイブリッドモデルを提案する。 このアプローチは、先進的な時系列モデルとセンチメント分析を混ぜることで、不安定な金融市場の予測における重要なギャップを埋め、予測不可能な市場をナビゲートする投資家やアナリストに貴重な洞察を提供する。

関連論文リスト

• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
  本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。 我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。 モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-07-16T14:41:27Z)
• Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
  本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。 この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。 LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-09T07:53:25Z)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• 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)
• FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis [0.0]
  市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。 私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
  論文  参考訳（メタデータ） (2022-11-11T15:13:16Z)
• 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)
• 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)

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。