論文の概要: Hype-Adjusted Probability Measure for NLP Stock Return Forecasting
- arxiv url: http://arxiv.org/abs/2412.07587v2
- Date: Sat, 04 Jan 2025 03:11:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:02:09.524481
- Title: Hype-Adjusted Probability Measure for NLP Stock Return Forecasting
- Title(参考訳): NLPストックリターン予測のためのハイプ調整型確率測定
- Authors: Zheng Cao, Helyette Geman,
- Abstract要約: 本論文では,ストックリターンとボラティリティ予測のための自然言語処理(NLP)アプローチの文脈で開発されたHype-Adjusted Probability Measureを紹介する。
コンポーネントとメモリ効果をキャプチャし、動的パラメータを割り当てるために、新しい感情スコア方程式が提示される。
このアプローチは、ニュースの予測価値を分析し改善するための機械学習技術を統合する。
- 参考スコア(独自算出の注目度): 6.658767709779308
- License:
- Abstract: This manuscript introduces the Hype-Adjusted Probability Measure developed in the context of a new Natural Language Processing (NLP) approach for stock return and volatility forecasting. A novel sentiment score equation is presented to capture component and memory effects and assign dynamic parameters, enhancing the impact of intraday news data on forecasting next-period volatility for selected U.S. semiconductor tickers. This approach integrates machine learning techniques to analyze and improve the predictive value of news. Building on the research of Geman et al [6], this work improves forecast accuracy by addressing news bias, memory, and weight, and incorporating shifts in senti-ment direction. Finally, we propose the Hype-Adjusted Probability Measure, proving its existence and uniqueness, and discuss its theoretical applications in finance for NLP-based stock return forecasting, outlining future research pathways inspired by its concepts.
- Abstract(参考訳): 本論文では,ストックリターンとボラティリティ予測のための自然言語処理(NLP)アプローチの文脈で開発されたHype-Adjusted Probability Measureを紹介する。
成分とメモリ効果を捕捉し、動的パラメータを割り当てる新しい感情スコア式が提示され、選択された米国の半導体ティッカーの次の周期変動予測に対する日内ニュースデータの影響を高める。
このアプローチは、ニュースの予測価値を分析し改善するための機械学習技術を統合する。
Gemanらの研究に基づいて、この研究は、ニュースバイアス、記憶、体重に対処し、知覚方向のシフトを取り入れることで予測精度を向上させる。
最後に,Hype-Adjusted Probability Measureを提案し,その存在と特異性を証明し,その理論的応用について考察する。
関連論文リスト
- Using dynamic loss weighting to boost improvements in forecast stability [0.9332308328407303]
ローリング起点予測不安定性(ローリング起点予測不安定性)とは、予測の更新によって生じる特定の期間の予測における変動をいう。
その結果, 複合損失関数を最小化することにより, 精度を損なうことなく, より安定した予測が得られることがわかった。
既存の動的損失重み付け手法は、この目的を達成することができ、なぜそうなるのかについての洞察を提供する。
論文 参考訳(メタデータ) (2024-09-26T20:21:46Z) - Pre-Finetuning with Impact Duration Awareness for Stock Movement Prediction [25.67779910446609]
本稿では、投資家の意見に基づいて、影響期間を推定する新しいデータセット、Impact Duration Estimation dataset(IDED)を紹介する。
本研究は,IDEDを用いた言語モデルの構築により,テキストベースのストックムーブメント予測の性能向上が期待できることを示す。
論文 参考訳(メタデータ) (2024-09-25T23:06:55Z) - Forecasting Symmetric Random Walks: A Fusion Approach [6.935130578959931]
本研究は,対象変数の将来の値が将来の動きと現在の値の組合せとして再構成される,対称ランダムウォークに焦点をあてる。
提案手法は, 移動予測とナプティブ予測の融合 (FMNP) とよばれる。
FMNPは、動き予測精度が0.50よりわずかに高い場合でも、ナイーブ予測よりも統計的に有意な改善を達成している。
論文 参考訳(メタデータ) (2024-06-20T16:32:18Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2023-10-17T20:30:16Z) - 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) - Combining predictive distributions of electricity prices: Does
minimizing the CRPS lead to optimal decisions in day-ahead bidding? [0.0]
本研究では,新しい重み付け手法であるCRPS学習を用いることで,日頭入札における最適決定が導かれるかどうかを検討する。
アンサンブルの多様性の増大は精度に肯定的な影響を与える可能性がある。
分布の等重集約と比較してCRPS学習を使用する場合の計算コストは、高い利益によって相殺されない。
論文 参考訳(メタデータ) (2023-08-29T17:10:38Z) - 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) - Variational Prediction [95.00085314353436]
本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。
このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
論文 参考訳(メタデータ) (2023-07-14T18:19:31Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - 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)
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。