論文の概要: IKNet: Interpretable Stock Price Prediction via Keyword-Guided Integration of News and Technical Indicators

• arxiv url: http://arxiv.org/abs/2510.07661v1
• Date: Thu, 09 Oct 2025 01:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.802516
• Title: IKNet: Interpretable Stock Price Prediction via Keyword-Guided Integration of News and Technical Indicators
• Title（参考訳）: IKNet: キーワードガイドによるニュースと技術指標の統合による株価予測
• Authors: Jinwoong Kim, Sangjin Park,
• Abstract要約: 個別のニュースキーワードと株価の動きのセマンティックな関連をモデル化するための解釈可能なキーワード誘導ネットワーク(IKNet)を提案する。 IKNetは、FinBERTベースの文脈分析を通じて有能なキーワードを特定し、それぞれの表現を別々の非線形投影層を通して処理し、その表現を技術指標の時系列データと統合し、翌日の閉値を予測する。 2015年から2024年にかけてのS&P 500データの実証的な評価は、IKNetがリカレントニューラルネットワークやトランスフォーマーモデルを含むベースラインを上回り、RMSEを最大32.9%削減し、累積リターンを18.5%改善したことを示している。
• 参考スコア（独自算出の注目度）: 3.5795275871379704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing influence of unstructured external information, such as news articles, on stock prices has attracted growing attention in financial markets. Despite recent advances, most existing newsbased forecasting models represent all articles using sentiment scores or average embeddings that capture the general tone but fail to provide quantitative, context-aware explanations of the impacts of public sentiment on predictions. To address this limitation, we propose an interpretable keyword-guided network (IKNet), which is an explainable forecasting framework that models the semantic association between individual news keywords and stock price movements. The IKNet identifies salient keywords via FinBERTbased contextual analysis, processes each embedding through a separate nonlinear projection layer, and integrates their representations with the time-series data of technical indicators to forecast next-day closing prices. By applying Shapley Additive Explanations the model generates quantifiable and interpretable attributions for the contribution of each keyword to predictions. Empirical evaluations of S&P 500 data from 2015 to 2024 demonstrate that IKNet outperforms baselines, including recurrent neural networks and transformer models, reducing RMSE by up to 32.9% and improving cumulative returns by 18.5%. Moreover, IKNet enhances transparency by offering contextualized explanations of volatility events driven by public sentiment.
• Abstract（参考訳）: ニュース記事などの非構造的外部情報による株価への影響が高まり、金融市場への注目が高まっている。 近年の進歩にもかかわらず、既存のニュースベースの予測モデルは、感情スコアや一般的なトーンを捉えるが、一般の感情が予測に与える影響を定量的に理解することができない平均的な埋め込みを用いて、全ての記事を表す。 この制限に対処するために、個別のニュースキーワードと株価の動きのセマンティックな関連をモデル化する説明可能な予測フレームワークである解釈可能なキーワード誘導ネットワーク(IKNet)を提案する。 IKNetは、FinBERTベースの文脈分析を通じて有能なキーワードを特定し、それぞれの表現を別々の非線形投影層を通して処理し、その表現を技術指標の時系列データと統合し、次の日の閉値を予測する。 Shapley Additive Explanationsを適用することで、各キーワードの予測への貢献に対する定量的かつ解釈可能な属性を生成する。 2015年から2024年にかけてのS&P 500データの実証的な評価は、IKNetがリカレントニューラルネットワークやトランスフォーマーモデルを含むベースラインを上回り、RMSEを最大32.9%削減し、累積リターンを18.5%改善したことを示している。 さらに、IKNetは、公共の感情によって引き起こされるボラティリティイベントの文脈化された説明を提供することで透明性を高める。

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)
• FinGPT: Enhancing Sentiment-Based Stock Movement Prediction with Dissemination-Aware and Context-Enriched LLMs [8.303827622646086]
  本稿では、ニュース拡散幅、文脈データ、明示的な指示を組み込むことにより、感情に基づくストックムーブメント予測を強化するデータ駆動型アプローチを提案する。 提案手法は既存手法と比較して予測精度を8%向上させる。
  論文  参考訳（メタデータ） (2024-12-14T13:04:42Z)
• MANA-Net: Mitigating Aggregated Sentiment Homogenization with News Weighting for Enhanced Market Prediction [3.456620177234167]
  市場アテンション重み付けニュース集約ネットワーク(MANA-Net)について紹介する。 MANA-Netは、ニュース感情と価格変化の関係を学習し、個々のニュースアイテムに様々な重みを割り当てる。 S&P500とNASDAQ100の指標を用いてMANA-Netを評価し,2003年から2018年にかけての金融ニュースについて検討した。
  論文  参考訳（メタデータ） (2024-09-09T15:12:24Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Earnings Prediction Using Recurrent Neural Networks [0.0]
  この研究は、40年間の財務データを用いて、将来の企業利益を予測するニューラルネットワークを開発する。 アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。 会計年度末と四半期決算予測の両方を作成できる。
  論文  参考訳（メタデータ） (2023-11-10T13:04:34Z)
• 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)
• 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)
• HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information [73.40830291141035]
  近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。 これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。 本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-26T14:04:04Z)
• 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)

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。