Fugu-MT 論文翻訳(概要): Predicting Stock Price Movement with LLM-Enhanced Tweet Emotion Analysis

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

Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction [5.317864735982288]
本稿では,LLMに基づくニュース感情分析を利用した株価変動予測について述べる。感情駆動株予測では,DeBERTa,RoBERTa,FinBERTの3つの LLM を比較した。以上の結果から,DeBERTaは75%の精度で他の2モデルより優れており,3モデルを組み合わせたアンサンブルモデルにより約80%の精度で精度が向上する可能性が示唆された。
論文参考訳（メタデータ） (2026-01-22T23:33:02Z)
PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction [47.70107097572211]
本稿では,ストック予測タスクを実行する大規模言語モデルを対象としたベンチマークであるPriceSeerを紹介する。プライスシーアには11の産業セクターから110の米国株が含まれており、それぞれ249の歴史的データポイントが含まれている。我々は、異なる予測地平の下で6つの最先端LCMを評価し、投資戦略を創出する可能性を実証した。
論文参考訳（メタデータ） (2025-12-31T08:35:46Z)
Agent Trading Arena: A Study on Numerical Understanding in LLM-Based Agents [69.58565132975504]
大規模言語モデル(LLM)は、自然言語処理において顕著な能力を示した。 LLMをベースとしたエージェントが競合するマルチエージェント取引を行う仮想ゼロサム株式市場であるエージェントトレーディングアリーナを提示する。
論文参考訳（メタデータ） (2025-02-25T08:41:01Z)
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)
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)
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。