論文の概要: A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data

• arxiv url: http://arxiv.org/abs/2502.08728v1
• Date: Wed, 12 Feb 2025 19:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:47:50.334673
• Title: A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data
• Title（参考訳）: インサイダー取引データを用いた株価予測のための機械学習アルゴリズムの比較検討
• Authors: Amitabh Chakravorty, Nelly Elsayed,
• Abstract要約: 本研究は、インサイダー取引情報による株価の予測を行う機械学習アルゴリズムを実験的に検討する。 本研究では、決定木、ランダムフォレスト、異なるカーネルを持つサポートベクターマシン(SVM)、K平均クラスタリングなどのアルゴリズムの有効性について検討する。 本研究の目的は、金融アナリストや投資家が投資戦略を最適化する強力なアルゴリズムを選択するのを支援することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The research paper empirically investigates several machine learning algorithms to forecast stock prices depending on insider trading information. Insider trading offers special insights into market sentiment, pointing to upcoming changes in stock prices. This study examines the effectiveness of algorithms like decision trees, random forests, support vector machines (SVM) with different kernels, and K-Means Clustering using a dataset of Tesla stock transactions. Examining past data from April 2020 to March 2023, this study focuses on how well these algorithms identify trends and forecast stock price fluctuations. The paper uses Recursive Feature Elimination (RFE) and feature importance analysis to optimize the feature set and, hence, increase prediction accuracy. While it requires substantially greater processing time than other models, SVM with the Radial Basis Function (RBF) kernel displays the best accuracy. This paper highlights the trade-offs between accuracy and efficiency in machine learning models and proposes the possibility of pooling multiple data sources to raise prediction performance. The results of this paper aim to help financial analysts and investors in choosing strong algorithms to optimize investment strategies.
• Abstract（参考訳）: 本研究は、インサイダー取引情報による株価の予測を行う機械学習アルゴリズムを実験的に検討する。 インサイダートレーディング(インサイダートレーディング)は、株価の今後の変化を示唆する、市場のセンチメントに関する特別な洞察を提供する。 本研究では、決定木、ランダムフォレスト、異なるカーネルを持つサポートベクターマシン(SVM)、Tesla株取引のデータセットを用いたK-Means Clusteringなどのアルゴリズムの有効性について検討する。 この研究は、2020年4月から2023年3月までの過去のデータから、これらのアルゴリズムがいかにトレンドを特定し、株価変動を予測するかに焦点を当てている。 本稿では,特徴集合の最適化にRFE(Recursive Feature Elimination)と特徴重要度分析(Feature importance analysis)を用いる。 他のモデルよりも大幅に処理時間を要するが、Radial Basis Function (RBF)カーネルを持つSVMは、最高の精度を示す。 本稿では,機械学習モデルにおける精度と効率のトレードオフを強調し,複数のデータソースをプールして予測性能を高める可能性を提案する。 本研究の目的は、金融アナリストや投資家が投資戦略を最適化する強力なアルゴリズムを選択するのを支援することである。

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)
• 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)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
  フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。 RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。 この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-26T18:48:51Z)
• A comparative study of Different Machine Learning Regressors For Stock Market Prediction [2.1485350418225244]
  我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。 目標は、履歴データを用いて翌日の株式の公開価格を計算することである。 このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
  論文  参考訳（メタデータ） (2021-04-14T15:37:33Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Machine Learning Algorithms for Financial Asset Price Forecasting [0.0]
  本研究は、高性能コンピューティングインフラ上での機械学習アルゴリズムの最先端実装を直接比較し、対比する。 実装された機械学習モデル – ストックユニバース全体の時系列データに基づいてトレーニングされた – は、OOS(Out-of-sample)テストデータにおいて、CAPMを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-31T18:14:18Z)

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。