論文の概要: Market-Derived Financial Sentiment Analysis: Context-Aware Language Models for Crypto Forecasting

• arxiv url: http://arxiv.org/abs/2502.14897v2
• Date: Sun, 02 Mar 2025 10:18:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-04 16:10:59.157199
• Title: Market-Derived Financial Sentiment Analysis: Context-Aware Language Models for Crypto Forecasting
• Title（参考訳）: 市場志向の金融感分析:暗号予測のための文脈対応言語モデル
• Authors: Hamid Moradi-Kamali, Mohammad-Hossein Rajabi-Ghozlou, Mahdi Ghazavi, Ali Soltani, Amirreza Sattarzadeh, Reza Entezari-Maleki,
• Abstract要約: 本稿では,短期的価格トレンドに基づく市場からのラベリング手法を提案する。 ドメイン固有言語モデルはこれらのラベルに基づいて微調整され、短期トレンド予測精度が最大11%向上した。 以上の結果から,言語モデルが短期市場予測に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.15833270109954134
• License:
• Abstract: Financial Sentiment Analysis (FSA) traditionally relies on human-annotated sentiment labels to infer investor sentiment and forecast market movements. However, inferring the potential market impact of words based on their human-perceived intentions is inherently challenging. We hypothesize that the historical market reactions to words, offer a more reliable indicator of their potential impact on markets than subjective sentiment interpretations by human annotators. To test this hypothesis, a market-derived labeling approach is proposed to assign tweet labels based on ensuing short-term price trends, enabling the language model to capture the relationship between textual signals and market dynamics directly. A domain-specific language model was fine-tuned on these labels, achieving up to an 11% improvement in short-term trend prediction accuracy over traditional sentiment-based benchmarks. Moreover, by incorporating market and temporal context through prompt-tuning, the proposed context-aware language model demonstrated an accuracy of 89.6% on a curated dataset of 227 impactful Bitcoin-related news events with significant market impacts. Aggregating daily tweet predictions into trading signals, our method outperformed traditional fusion models (which combine sentiment-based and price-based predictions). It challenged the assumption that sentiment-based signals are inferior to price-based predictions in forecasting market movements. Backtesting these signals across three distinct market regimes yielded robust Sharpe ratios of up to 5.07 in trending markets and 3.73 in neutral markets. Our findings demonstrate that language models can serve as effective short-term market predictors. This paradigm shift underscores the untapped capabilities of language models in financial decision-making and opens new avenues for market prediction applications.
• Abstract（参考訳）: ファイナンシャル・センチメント・アナリティクス(FSA)は伝統的に、投資家の感情を推測し市場の動きを予測するために人手による感情ラベルに依存している。 しかし、人間が知覚する意図に基づく単語の潜在的な市場影響を推測することは本質的に困難である。 我々は、歴史的市場が言葉に反応し、人間のアノテータによる主観的な感情解釈よりも、市場に対する潜在的な影響の信頼性の高い指標を提供すると仮定する。 この仮説を検証するために,短期的価格トレンドに基づいて,市場由来のラベル付け手法を提案し,テキスト信号と市場ダイナミクスの関係を直接把握する言語モデルを提案する。 ドメイン固有言語モデルはこれらのラベルに基づいて微調整され、従来の感情ベースのベンチマークよりも短期トレンド予測精度が11%向上した。 さらに、迅速なチューニングを通じて市場と時間的コンテキストを取り入れることで、提案された文脈対応言語モデルは、227のインパクトのあるBitcoin関連ニュースイベントのキュレートされたデータセットに対して89.6%の精度を示し、市場への影響が大きい。 毎日のツイート予測をトレーディングシグナルに集約することで、従来の融合モデル(感情ベースと価格ベースの予測を組み合わせたもの)よりも優れています。 市場の動きを予測する上で、感情に基づくシグナルは価格に基づく予測よりも劣っているという仮定に異議を唱えた。 これらのシグナルを3つの異なる市場体制にバックテストすることで、トレンド市場は5.07、中立市場は3.73という堅牢なシャープ比が得られた。 以上の結果から,言語モデルが短期市場予測に有効であることが示唆された。 このパラダイムシフトは、金融決定における言語モデルの未解決能力を強調し、市場予測アプリケーションのための新たな道を開く。

関連論文リスト

• GRUvader: Sentiment-Informed Stock Market Prediction [0.0]
  本研究では,市場予測のための機械学習アルゴリズムをいくつか比較し,感情分析指標が株価予測に与える影響について検討した。 以上の結果から,スタンドアローンモデルはAI強化モデルと比較して困難であったことが示唆された。
  論文  参考訳（メタデータ） (2024-12-07T04:56:17Z)
• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing [0.0]
  この調査は、TeslaやAppleといった大手企業の株価を予測するためのツールとして、Twitterの感情の有効性を評価することを目的としている。 以上の結果から, 株価変動の主要な要因は, 肯定性, 否定性, 主観性であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-31T21:20:58Z)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• 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)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)

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。