論文の概要: Same Company, Same Signal: The Role of Identity in Earnings Call Transcripts

• arxiv url: http://arxiv.org/abs/2412.18029v1
• Date: Mon, 23 Dec 2024 22:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:55:38.159314
• Title: Same Company, Same Signal: The Role of Identity in Earnings Call Transcripts
• Title（参考訳）: 同じ企業, 同じシグナル: 文字呼出におけるアイデンティティの役割
• Authors: Ding Yu, Zhuo Liu, Hangfeng He,
• Abstract要約: 我々は、以前見過ごされたbeforeAfterMarket属性によって実現された正確なボラティリティ計算を特徴とするデータセットであるDECを紹介した。 後発のボラティリティは,各ティッカーに異なるボラティリティ分布が示されるなど,大きな変化がみられた。 現時点の転写表現は、収益ごとに財務的に意味のある洞察を提供するのではなく、主にティッカーアイデンティティを捉えていることを実証する。
• 参考スコア（独自算出の注目度）: 7.962140902232628
• License:
• Abstract: Post-earnings volatility prediction is critical for investors, with previous works often leveraging earnings call transcripts under the assumption that their rich semantics contribute significantly. To further investigate how transcripts impact volatility, we introduce DEC, a dataset featuring accurate volatility calculations enabled by the previously overlooked beforeAfterMarket attribute and dense ticker coverage. Unlike established benchmarks, where each ticker has only around two earnings, DEC provides 20 earnings records per ticker. Using DEC, we reveal that post-earnings volatility undergoes significant shifts, with each ticker displaying a distinct volatility distribution. To leverage historical post-earnings volatility and capture ticker-specific patterns, we propose two training-free baselines: Post-earnings Volatility (PEV) and Same-ticker Post-earnings Volatility (STPEV). These baselines surpass all transcripts-based models on DEC as well as on established benchmarks. Additionally, we demonstrate that current transcript representations predominantly capture ticker identity rather than offering financially meaningful insights specific to each earnings. This is evidenced by two key observations: earnings representations from the same ticker exhibit significantly higher similarity compared to those from different tickers, and predictions from transcript-based models show strong correlations with prior post-earnings volatility.
• Abstract（参考訳）: ポストアーニングのボラティリティ予測は投資家にとって重要であり、前回の業績は、豊かなセマンティクスが大きな貢献をするという前提の下で、しばしば収支報告の書き起こしを活用する。 トランスクリプトが揮発性にどう影響するかをさらに調査するため、以前見過ごされたbeforeAfterMarket属性と高密度ティッカーカバレッジによって実現された正確な揮発性計算を特徴とするデータセットであるDECを紹介した。 既存のベンチマークとは異なり、各ティッカーの収益は2回程度だが、DECはティッカー当たりの収益記録を20回提供している。 DECを用いて, 後発のボラティリティは, それぞれ異なるボラティリティ分布を示すように, 大きく変化することを明らかにする。 過去のポストアーニングのボラティリティを活用し,ティッカー固有のパターンを捉えるために,ポストアーニングのボラティリティ(PEV)と,同じポストアーニングのボラティリティ(STPEV)の2つのトレーニングフリーベースラインを提案する。 これらのベースラインは、確立されたベンチマークと同様に、DEC上のすべてのトランスクリプトベースのモデルを上回る。 さらに、現在の転写表現は、収益ごとに財務的に意味のある洞察を提供するのではなく、主にティッカーアイデンティティを捉えていることを実証する。 これは2つの重要な観測によって証明されている:同じティッカーの収益表現は、異なるティッカーの収益表現と大幅に類似していることを示し、トランスクリプトベースのモデルからの予測は、以前のアーリー後のボラティリティと強い相関を示す。

関連論文リスト

• Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
  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。
  論文  参考訳（メタデータ） (2024-09-25T22:09:59Z)
• 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)
• Analyzing Currency Fluctuations: A Comparative Study of GARCH, EWMA, and IV Models for GBP/USD and EUR/GBP Pairs [0.0]
  グレートブリテンポンド(GBP)の値の変動について検討する。 本研究では,2組の日次リターンの20日間の変動を予測する上での有効性を評価するために,様々な数学的モデルを適用した。 実験の結果, GBP/USDペアでは, GARCHモデルの利用から最も正確なボラティリティ予測が得られた。
  論文  参考訳（メタデータ） (2024-02-12T06:29:57Z)
• 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)
• Robustifying Markowitz [3.154269505086154]
  金融時系列のヘビーテール特性は、実際にはこれらの重みの不安定な変動の原因である。 我々は,世界最小のMarkowitzポートフォリオのコストと重みを安定化するためのツールボックスを提案する。 我々は、ロバスト化されたポートフォリオが縮小ベースのポートフォリオや制約されたポートフォリオよりも低いターンオーバーに達することを実証した。
  論文  参考訳（メタデータ） (2022-12-28T18:09:14Z)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• How Much Data Are Augmentations Worth? An Investigation into Scaling Laws, Invariance, and Implicit Regularization [76.58017437197859]
  アウト・オブ・ディストリビューションテストのシナリオでは、多種多様なサンプルを生成するが、データ分散と矛盾しない増分は、追加のトレーニングデータよりもさらに価値がある。 トレーニング中に増強が付加性をもたらし、損失景観を効果的に平らにすることを示す。
  論文  参考訳（メタデータ） (2022-10-12T17:42:01Z)
• Regularising for invariance to data augmentation improves supervised learning [82.85692486314949]
  入力毎に複数の拡張を使用すれば、一般化が向上することを示す。 本稿では,個々のモデル予測のレベルにおいて,この不変性を助長する明示的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T11:25:45Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• 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。