論文の概要: CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
- arxiv url: http://arxiv.org/abs/2502.04592v1
- Date: Fri, 07 Feb 2025 00:55:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:57:20.134701
- Title: CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
- Title(参考訳): CAMEF: 時系列パターンと優れたマクロ経済発表の統合によるマルチモーダルイベント駆動型財務予測
- Authors: Yang Zhang, Wenbo Yang, Jun Wang, Qiang Ma, Jie Xiong,
- Abstract要約: 金融予測のための多モードフレームワークであるCAMEF(Causal-Augmented Multi-Modality Event-Driven Financial Forecasting)を提案する。
1)政策文書と歴史的価格データの因果関係を捉えたマルチモーダル・フレームワーク,(2)2008年から2024年4月までの6種類のマクロ経済学的リリースを含む新たな金融データセット,および5つの米国主要金融資産の高周波実取引データ,(3)LLMに基づく対実イベント拡張戦略。
- 参考スコア(独自算出の注目度): 9.16354796541115
- License:
- Abstract: Accurately forecasting the impact of macroeconomic events is critical for investors and policymakers. Salient events like monetary policy decisions and employment reports often trigger market movements by shaping expectations of economic growth and risk, thereby establishing causal relationships between events and market behavior. Existing forecasting methods typically focus either on textual analysis or time-series modeling, but fail to capture the multi-modal nature of financial markets and the causal relationship between events and price movements. To address these gaps, we propose CAMEF (Causal-Augmented Multi-Modality Event-Driven Financial Forecasting), a multi-modality framework that effectively integrates textual and time-series data with a causal learning mechanism and an LLM-based counterfactual event augmentation technique for causal-enhanced financial forecasting. Our contributions include: (1) a multi-modal framework that captures causal relationships between policy texts and historical price data; (2) a new financial dataset with six types of macroeconomic releases from 2008 to April 2024, and high-frequency real trading data for five key U.S. financial assets; and (3) an LLM-based counterfactual event augmentation strategy. We compare CAMEF to state-of-the-art transformer-based time-series and multi-modal baselines, and perform ablation studies to validate the effectiveness of the causal learning mechanism and event types.
- Abstract(参考訳): マクロ経済現象の影響を正確に予測することは投資家や政策立案者にとって重要である。
金融政策決定や雇用報告のような健全な出来事は、しばしば経済成長とリスクの期待を形作ることで市場の動きを引き起こし、それによって出来事と市場の行動の間に因果関係を確立する。
既存の予測手法は、典型的にはテキスト分析または時系列モデリングに重点を置いているが、金融市場のマルチモーダルな性質や、イベントと価格運動の因果関係を捉えていない。
CAMEF(Causal-Augmented Multi-Modmented Event-Driven Financial Forecasting)は、テキストおよび時系列データを因果学習機構とLLMに基づく因果金融予測のための対実イベント拡張技術とを効果的に統合する多モードフレームワークである。
1)政策文書と歴史的価格データの因果関係を捉えたマルチモーダル・フレームワーク,(2)2008年から2024年4月までの6種類のマクロ経済学的リリースを含む新たな金融データセット,および5つの米国主要金融資産の高周波実取引データ,(3)LLMに基づく対実イベント拡張戦略。
我々はCAMEFと最先端のトランスフォーマーベースの時系列とマルチモーダルベースラインを比較し、因果学習機構とイベントタイプの有効性を検証するためのアブレーション研究を行う。
関連論文リスト
- Multimodal Stock Price Prediction [0.0]
さまざまなデータソースと機械学習を慎重に統合して、正確な株価予測を行うことがますます重要になっている。
本稿では,従来の財務指標,つぶやき,ニュース記事など,さまざまな情報源のデータを組み合わせて,株価予測のためのマルチモーダル機械学習手法を提案する。
論文 参考訳(メタデータ) (2025-01-23T16:38:46Z) - STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。
双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。
ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
論文 参考訳(メタデータ) (2024-12-12T17:15:49Z) - 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) - Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models [9.991327369572819]
本稿では,関連事象に関するテキスト情報を組み込んだ協調モデリングフレームワークを提案する。
我々は、将来の変更に関する大規模言語モデルの直感を活用して、実数時系列の予測を更新する。
論文 参考訳(メタデータ) (2024-07-04T07:21:38Z) - RiskLabs: Predicting Financial Risk Using Large Language Model Based on Multi-Sources Data [8.145265717016718]
textbfRiskLabsは,大規模言語モデル(LLM)を利用して財務リスクを分析し,予測する新しいフレームワークである。
提案手法は,Earnings Conference Calls (ECC) の抽出と解析,市場関連時系列データ,ECCリリース日を取り巻くコンテキストニュースデータなど,多段階的なプロセスを含む。
RiskLabsは、マルチモーダルフュージョン技術を使用して、これらのさまざまなデータ特徴を、包括的なマルチタスクの金融リスク予測に適合させる。
論文 参考訳(メタデータ) (2024-04-11T03:14:50Z) - A Deep Learning Method for Predicting Mergers and Acquisitions: Temporal Dynamic Industry Networks [0.0]
効果的なM&A予測モデルは、アドホックな機能エンジニアリングやデータリバランスを必要とせずに、取引レベルの予測を提供するべきである。
M&Aイベントのばらつきのため、既存のモデルはデータリバランシングを必要とし、バイアスを導入し、現実の応用性を制限する。
本稿では、時間点過程と深層学習を利用して複雑なM&A相互依存を捕捉する時間動的産業ネットワーク(TDIN)モデルを提案する。
論文 参考訳(メタデータ) (2024-04-10T18:48:19Z) - Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳(メタデータ) (2023-08-22T12:53:09Z) - 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) - 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) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z)
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。