論文の概要: A three-step machine learning approach to predict market bubbles with financial news

• arxiv url: http://arxiv.org/abs/2510.16636v1
• Date: Sat, 18 Oct 2025 20:31:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.075742
• Title: A three-step machine learning approach to predict market bubbles with financial news
• Title（参考訳）: 金融ニュースによる市場バブル予測のための3段階機械学習手法
• Authors: Abraham Atsiwo,
• Abstract要約: 本研究では,金融ニュースの感情とマクロ経済指標を組み合わせることで,S&P500株市場のバブルを予測する3段階の機械学習フレームワークを提案する。 第1段階では,S&P500指数中の気泡周期を右尾単位根検定を用いて同定する。 第2ステップでは、自然言語処理(NLP)技術を用いて、大規模金融ニュース記事から感情特徴を抽出する。 最終段階では,感情ベースおよびマクロ経済予測器に基づく気泡発生の予測にアンサンブル学習法を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a three-step machine learning framework to predict bubbles in the S&P 500 stock market by combining financial news sentiment with macroeconomic indicators. Building on traditional econometric approaches, the proposed approach predicts bubble formation by integrating textual and quantitative data sources. In the first step, bubble periods in the S&P 500 index are identified using a right-tailed unit root test, a widely recognized real-time bubble detection method. The second step extracts sentiment features from large-scale financial news articles using natural language processing (NLP) techniques, which capture investors' expectations and behavioral patterns. In the final step, ensemble learning methods are applied to predict bubble occurrences based on high sentiment-based and macroeconomic predictors. Model performance is evaluated through k-fold cross-validation and compared against benchmark machine learning algorithms. Empirical results indicate that the proposed three-step ensemble approach significantly improves predictive accuracy and robustness, providing valuable early warning insights for investors, regulators, and policymakers in mitigating systemic financial risks.
• Abstract（参考訳）: 本研究では,金融ニュースの感情とマクロ経済指標を組み合わせることで,S&P500株市場のバブルを予測する3段階の機械学習フレームワークを提案する。 従来のエコノメトリ手法に基づく提案手法は,テキストと定量的なデータソースを統合することにより,気泡の形成を予測する。 第1段階では,S&P500指数中の気泡周期を右尾単位根検定を用いて同定する。 第2ステップでは、投資家の期待や行動パターンを捉える自然言語処理(NLP)技術を用いて、大規模金融ニュース記事から感情特徴を抽出する。 最終段階では,感情ベースおよびマクロ経済予測器に基づく気泡発生の予測にアンサンブル学習法を適用した。 モデル性能はk-foldクロスバリデーションにより評価され、ベンチマーク機械学習アルゴリズムと比較される。 実証的な結果は、提案された3段階のアンサンブルアプローチが予測精度とロバスト性を大幅に改善し、投資家、規制当局、政策立案者に価値ある早期警戒洞察を与え、システム的金融リスクを軽減することを示唆している。

関連論文リスト

• Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts [1.8352113484137627]
  本稿では,幅広いベースモデルからの点予測を利用する確率的予測手法を提案する。 我々の知る限りでは、暗号通貨市場におけるばらつきの確率論的予測を提案し、体系的に評価する文献としては、これが初めてである。 Bitcoinの実証的な結果は、QRS(Quantile Estimation through Residual Simulation)メソッドが、より高度な代替手段を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-08-21T18:42:11Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• 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)
• Deep learning based Chinese text sentiment mining and stock market correlation research [6.000327333763521]
  我々は、ストックバーなどの金融フォーラムデータをクロールして、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。 本稿では、BERTモデルを用いて、財務コーパスに対するトレーニングを行い、SZSE成分指数を予測する。 得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-05-10T08:35:33Z)
• 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)
• Interpretable ML-driven Strategy for Automated Trading Pattern Extraction [2.7910505923792646]
  金融時系列分析のためのボリュームベースデータ前処理手法を提案する。 手法の性能を評価するために統計的手法を用いる。 提案手法により,金融時系列パターンの分類を成功させることができた。
  論文  参考訳（メタデータ） (2021-03-23T09:55:46Z)
• 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。