論文の概要: Contrastive Similarity Learning for Market Forecasting: The ContraSim Framework
- arxiv url: http://arxiv.org/abs/2502.16023v1
- Date: Sat, 22 Feb 2025 00:53:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:52:09.197635
- Title: Contrastive Similarity Learning for Market Forecasting: The ContraSim Framework
- Title（参考訳）: 市場予測のためのコントラスト類似学習:ContraSimフレームワーク
- Authors: Nicholas Vinden, Raeid Saqur, Zining Zhu, Frank Rudzicz,
- Abstract要約: コントラスト類似性空間埋め込みアルゴリズム(ContraSim)を紹介する。
ContraSimは、(I)重み付き見出し強化、(I)重み付き見出し生成、および(II)重み付き自己監督型コントラスト学習(WSSCL)の2つの主要な段階で動作する。
このスペースクラスタをセマンティックに類似した見出しに埋め込むことで、より深い市場洞察がもたらされる。
- 参考スコア（独自算出の注目度）: 17.62254545708573
- License:
- Abstract: We introduce the Contrastive Similarity Space Embedding Algorithm (ContraSim), a novel framework for uncovering the global semantic relationships between daily financial headlines and market movements. ContraSim operates in two key stages: (I) Weighted Headline Augmentation, which generates augmented financial headlines along with a semantic fine-grained similarity score, and (II) Weighted Self-Supervised Contrastive Learning (WSSCL), an extended version of classical self-supervised contrastive learning that uses the similarity metric to create a refined weighted embedding space. This embedding space clusters semantically similar headlines together, facilitating deeper market insights. Empirical results demonstrate that integrating ContraSim features into financial forecasting tasks improves classification accuracy from WSJ headlines by 7%. Moreover, leveraging an information density analysis, we find that the similarity spaces constructed by ContraSim intrinsically cluster days with homogeneous market movement directions, indicating that ContraSim captures market dynamics independent of ground truth labels. Additionally, ContraSim enables the identification of historical news days that closely resemble the headlines of the current day, providing analysts with actionable insights to predict market trends by referencing analogous past events.
- Abstract（参考訳）: 本稿では,ContraSim(Contrastive similarity Space Embedding Algorithm, コントラシム)を紹介する。
ContraSimは、2つの重要な段階で機能する: (I) 重み付き見出し拡大(I) 意味的きめ細かい類似度スコアと共に強化された金融見出しを生成する) および (II) 重み付き埋め込み空間を作成するために、類似度メートル法を用いて古典的自己教師付きコントラスト学習(WSSCL)の拡張版である。
このスペースクラスタをセマンティックに類似した見出しに埋め込むことで、より深い市場洞察がもたらされる。
実証的な結果は、ContraSim機能を財務予測タスクに統合することで、WSJの見出しから分類精度が7%向上することを示している。
さらに,情報密度解析の活用により,コントラシムが構築した類似性空間が,本質的に同質な市場移動方向と集束していることが明らかとなり,コントラシムが地中真理ラベルとは無関係に市場動態を捉えることが示唆された。
さらにContraSimは、現在の見出しによく似た歴史的なニュース日を識別し、アナリストに過去の類似イベントを参照することで市場の動向を予測する実用的な洞察を提供する。
関連論文リスト
- Estimating Commonsense Plausibility through Semantic Shifts [66.06254418551737]
セマンティックシフトを測定することでコモンセンスの妥当性を定量化する新しい識別フレームワークであるComPaSSを提案する。
2種類の細粒度コモンセンス可視性評価タスクの評価は,ComPaSSが一貫してベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2025-02-19T06:31:06Z) - SimSiam Naming Game: A Unified Approach for Representation Learning and Emergent Communication [6.712251433139411]
表現学習と創発的コミュニケーションのための統一的なアプローチであるSimSiam+VAEを提案する。
SimSiam+VAEは変分オートエンコーダをSimSiamネットワークの予測器に統合し、表現学習を強化し、不確実性を捉える。
我々はこのモデルをSimSiam Naming Game(SSNG)と呼ばれるコミュニケーションフレームワークに拡張する。
論文 参考訳（メタデータ） (2024-10-29T07:16:20Z) - SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。
セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。
SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文 参考訳（メタデータ） (2024-10-17T12:31:37Z) - Synergistic Anchored Contrastive Pre-training for Few-Shot Relation
Extraction [4.7220779071424985]
Few-shot Relation extract (FSRE) は、ラベル付きコーパスのスパースセットから事実を抽出することを目的としている。
近年の研究では、事前学習言語モデルを用いたFSREの有望な結果が示されている。
本稿では,新しい相乗的アンカー付きコントラスト事前学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-19T10:16:24Z) - ContraSim -- A Similarity Measure Based on Contrastive Learning [28.949004915740776]
コントラスト学習に基づく新しい類似度尺度であるContraSimを開発した。
ContraSimは、類似した例と異なる例の両方を用いてパラメータ化された尺度を学習する。
いずれの場合も、ContraSimは以前の類似度測定よりもはるかに精度が高い。
論文 参考訳（メタデータ） (2023-03-29T19:43:26Z) - Multi-View Correlation Consistency for Semi-Supervised Semantic
Segmentation [59.34619548026885]
半教師付きセマンティックセグメンテーションは、ラベルなしデータのリッチで堅牢な監視を必要とする。
本稿では,異なるビュー間の画素・画素対応を保証するビューコヒーレントなデータ拡張戦略を提案する。
2つのデータセットの半教師付き設定では、最先端の手法と比較して、競争の正確さが報告される。
論文 参考訳（メタデータ） (2022-08-17T17:59:11Z) - Duality-Induced Regularizer for Semantic Matching Knowledge Graph
Embeddings [70.390286614242]
本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。
実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
論文 参考訳（メタデータ） (2022-03-24T09:24:39Z) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳（メタデータ） (2022-03-14T17:24:03Z) - SimMatch: Semi-supervised Learning with Similarity Matching [43.61802702362675]
SimMatchは、意味的類似性とインスタンス類似性を考慮した、新しい半教師付き学習フレームワークである。
400エポックのトレーニングで、SimMatchは67.2%、Top-1の正確度は74.4%で、ImageNetでは1%と10%のラベルが付けられている。
論文 参考訳（メタデータ） (2022-03-14T08:08:48Z) - Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。
私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
論文 参考訳（メタデータ） (2021-08-19T17:59:28Z) - A Theory-Driven Self-Labeling Refinement Method for Contrastive
Representation Learning [111.05365744744437]
教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。
本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。
この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
論文 参考訳（メタデータ） (2021-06-28T14:24:52Z)
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。