論文の概要: Sentiment trading with large language models

• arxiv url: http://arxiv.org/abs/2412.19245v1
• Date: Thu, 26 Dec 2024 15:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:24:21.918523
• Title: Sentiment trading with large language models
• Title（参考訳）: 大規模言語モデルによる感性取引
• Authors: Kemal Kirtac, Guido Germano,
• Abstract要約: OPTは感情予測の精度が最も高く、74.4%の精度を示している。 BERTとFINBERTは、より少ない範囲で予測的関連性を示す。 Loughran-McDonald辞書モデルのスコアとストックリターンとの間に有意な関係はみられない。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We investigate the efficacy of large language models (LLMs) in sentiment analysis of U.S. financial news and their potential in predicting stock market returns. We analyze a dataset comprising 965,375 news articles that span from January 1, 2010, to June 30, 2023; we focus on the performance of various LLMs, including BERT, OPT, FINBERT, and the traditional Loughran-McDonald dictionary model, which has been a dominant methodology in the finance literature. The study documents a significant association between LLM scores and subsequent daily stock returns. Specifically, OPT, which is a GPT-3 based LLM, shows the highest accuracy in sentiment prediction with an accuracy of 74.4%, slightly ahead of BERT (72.5%) and FINBERT (72.2%). In contrast, the Loughran-McDonald dictionary model demonstrates considerably lower effectiveness with only 50.1% accuracy. Regression analyses highlight a robust positive impact of OPT model scores on next-day stock returns, with coefficients of 0.274 and 0.254 in different model specifications. BERT and FINBERT also exhibit predictive relevance, though to a lesser extent. Notably, we do not observe a significant relationship between the Loughran-McDonald dictionary model scores and stock returns, challenging the efficacy of this traditional method in the current financial context. In portfolio performance, the long-short OPT strategy excels with a Sharpe ratio of 3.05, compared to 2.11 for BERT and 2.07 for FINBERT long-short strategies. Strategies based on the Loughran-McDonald dictionary yield the lowest Sharpe ratio of 1.23. Our findings emphasize the superior performance of advanced LLMs, especially OPT, in financial market prediction and portfolio management, marking a significant shift in the landscape of financial analysis tools with implications to financial regulation and policy analysis.
• Abstract（参考訳）: 本稿では、米国の金融ニュースの感情分析における大規模言語モデル(LLM)の有効性と、株式市場のリターンを予測する可能性について検討する。 我々は、2010年1月1日から2023年6月30日までの965,375のニュース記事からなるデータセットを分析し、BERT, OPT, FINBERT, および財務学において支配的な方法論である従来のLoughran-McDonald辞書モデルなど、様々なLLMのパフォーマンスに焦点を当てた。 この研究は、LLMスコアとその後の毎日の株価リターンとの間に有意な関連性があることを報告している。 特に、PT-3 ベースの LLM である OPT では、感情予測の精度が74.4% であり、BERT (72.5%) と FINBERT (72.2%) よりわずかに高い。 対照的に、Loughran-McDonald辞書モデルは50.1%の精度でかなり低い効果を示す。 回帰分析では、OPTモデルスコアが翌日の株価リターンに強く影響し、モデル仕様の異なる0.274と0.254の係数が示されている。 BERTとFINBERTは、より少ない範囲で予測的関連性を示す。 特に、Loughran-McDonald辞書モデルのスコアと株価のリターンとの間に有意な関係は見られず、現在の金融状況における従来の手法の有効性に挑戦する。 ポートフォリオのパフォーマンスでは、長短のOPT戦略はシャープ比3.05で、BERTは2.11、FINBERTは2.07である。 Loughran-McDonald辞書に基づくストラテジーはシャープ比が1.23である。 本研究は、金融市場予測やポートフォリオ管理において、先進的LLM(特にOPT)の優れたパフォーマンスを強調し、金融規制や政策分析に影響を及ぼす金融分析ツールの展望を大きく変えたことを示している。

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)
• Leveraging Fundamental Analysis for Stock Trend Prediction for Profit [0.0]
  本稿では,機械学習モデル,Long Short-Term Memory (LSTM), 1次元畳み込みニューラルネットワーク (1D CNN) およびロジスティック回帰 (LR) を用いて,基本解析に基づく株価トレンドの予測を行う。 我々は、2つの予測タスク、すなわち年次株価差(ASPD)と現在の株価と本質的価値(CSPDIV)の差を定式化するために、主要な金融比率とディスクキャッシュフロー(DCF)モデルを採用する。 この結果、LRモデルはCNNおよびLSTMモデルより優れており、ASPDの平均テスト精度は74.66%、DCSPIVは72.85%であることがわかった。
  論文  参考訳（メタデータ） (2024-10-04T20:36:19Z)
• 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)
• Financial Statement Analysis with Large Language Models [0.0]
  我々はGPT4に標準化された匿名の財務文書を提供し、モデルを解析するように指示する。 このモデルでは、財務アナリストが収益の変化を予測できる能力を上回っている。 GPTの予測に基づく貿易戦略は、他のモデルに基づく戦略よりもシャープ比とアルファ率が高い。
  論文  参考訳（メタデータ） (2024-07-25T08:36:58Z)
• Fine-Tuning Gemma-7B for Enhanced Sentiment Analysis of Financial News Headlines [4.198715347024138]
  我々はNLP(Natural Language Processing)とLLM(Large Language Models)を使って、小売投資家の視点から感情を分析する。 感性分類における効果を評価するために, distilbert-base-uncased, Llama, gemma-7b などいくつかのモデルを微調整した。 実験の結果,精巧なgemma-7bモデルは他のモデルよりも優れており,高い精度,リコール,F1スコアが得られた。
  論文  参考訳（メタデータ） (2024-06-19T15:20:19Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Sentiment-driven prediction of financial returns: a Bayesian-enhanced FinBERT approach [1.131316248570352]
  本研究では、FinBERT大言語モデルを用いて、ツイートから抽出した感情情報を活用する効果を示す。 この成功は、バックテストトレーディング中に明らかに高い累積利益をもたらす。
  論文  参考訳（メタデータ） (2024-03-07T11:56:36Z)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• 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)
• 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)
• 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。