論文の概要: Predicting Stock Price Movement with LLM-Enhanced Tweet Emotion Analysis

• arxiv url: http://arxiv.org/abs/2510.03633v1
• Date: Sat, 04 Oct 2025 02:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.165398
• Title: Predicting Stock Price Movement with LLM-Enhanced Tweet Emotion Analysis
• Title（参考訳）: LLM強化つぶやき感情分析による株価変動予測
• Authors: An Vuong, Susan Gauch,
• Abstract要約: 市場固有のボラティリティと投資家の感情への敏感さのため、短期株価の動きを正確に予測することは依然として難しい課題である。 本稿では、ツイートデータから抽出した感情特徴を過去の株価情報と統合し、翌日の大幅な価格変動を予測するディープラーニングフレームワークについて論じる。
• 参考スコア（独自算出の注目度）: 2.4401219403555814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting short-term stock price movement remains a challenging task due to the market's inherent volatility and sensitivity to investor sentiment. This paper discusses a deep learning framework that integrates emotion features extracted from tweet data with historical stock price information to forecast significant price changes on the following day. We utilize Meta's Llama 3.1-8B-Instruct model to preprocess tweet data, thereby enhancing the quality of emotion features derived from three emotion analysis approaches: a transformer-based DistilRoBERTa classifier from the Hugging Face library and two lexicon-based methods using National Research Council Canada (NRC) resources. These features are combined with previous-day stock price data to train a Long Short-Term Memory (LSTM) model. Experimental results on TSLA, AAPL, and AMZN stocks show that all three emotion analysis methods improve the average accuracy for predicting significant price movements, compared to the baseline model using only historical stock prices, which yields an accuracy of 13.5%. The DistilRoBERTa-based stock prediction model achieves the best performance, with accuracy rising from 23.6% to 38.5% when using LLaMA-enhanced emotion analysis. These results demonstrate that using large language models to preprocess tweet content enhances the effectiveness of emotion analysis which in turn improves the accuracy of predicting significant stock price movements.
• Abstract（参考訳）: 市場固有のボラティリティと投資家の感情への敏感さのため、短期株価の動きを正確に予測することは依然として難しい課題である。 本稿では、ツイートデータから抽出した感情特徴を過去の株価情報と統合し、翌日の大幅な価格変動を予測するディープラーニングフレームワークについて論じる。 そこで我々は,MetaのLlama 3.1-8B-Instructモデルを用いて,3つの感情分析手法から得られた感情特徴の質を高める。 これらの機能は、Long Short-Term Memory (LSTM)モデルをトレーニングするために、以前の株価データと組み合わせられる。 TSLA、AAPL、AMZNの株価に関する実験結果から、すべての3つの感情分析手法は、歴史的株価のみを用いた基準モデルと比較して、重要な価格変動を予測する平均精度を向上し、13.5%の精度が得られることが示された。 DistilRoBERTaベースのストック予測モデルは、LLaMAで強化された感情分析を使用すると、精度が23.6%から38.5%に向上する。 これらの結果から,大規模言語モデルを用いてツイート内容の事前処理を行うことで,感情分析の有効性が向上し,株価変動の予測精度が向上することが示唆された。

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)
• News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models [0.0]
  人工知能(AI)と自然言語処理(NLP)の最近の進歩は、株価予測能力を著しく強化している。 インド国定銀行の30年間の歴史的データを利用して株価を予測している」と述べた。 このアプローチでは,多段長短期記憶(LSTM),Optunaで最適化されたLightGBMを用いたFacebook Prophet,季節自動回帰統合型移動平均(SARIMA)など,最先端のディープラーニングモデルを活用する。
  論文  参考訳（メタデータ） (2024-10-14T15:30:06Z)
• Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
  インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
  論文  参考訳（メタデータ） (2024-06-02T06:39:01Z)
• Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
  LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。 実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
  論文  参考訳（メタデータ） (2023-08-07T14:21:05Z)
• 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)
• Stock Price Prediction using Sentiment Analysis and Deep Learning for Indian Markets [0.0]
  我々は、感情データの入手に資する歴史的価格を用いて、将来の株価の変動を予測することを目的としていた。 最終製品として、Reliance, Bank, TCS, SBIの株価は、上記の2つのモデルを用いて予測された。
  論文  参考訳（メタデータ） (2022-04-07T12:09:39Z)
• 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)

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。