論文の概要: StockMem: An Event-Reflection Memory Framework for Stock Forecasting

• arxiv url: http://arxiv.org/abs/2512.02720v1
• Date: Tue, 02 Dec 2025 12:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.876498
• Title: StockMem: An Event-Reflection Memory Framework for Stock Forecasting
• Title（参考訳）: StockMem: ストック予測のためのイベントリフレクションメモリフレームワーク
• Authors: He Wang, Wenyilin Xiao, Songqiao Han, Hailiang Huang,
• Abstract要約: イベントリフレクション二重層メモリフレームワークであるStockMemを提案する。 ニュースをイベントに構造化し、2次元に沿ってマイニングする。水平統合は日々のイベントを統合し、縦追跡はイベントの進化を捉えている。 予測には、現在のイベント、インクリメンタルデータ、過去の経験と類似した過去のシナリオと理由を検索する。
• 参考スコア（独自算出の注目度）: 12.291802728378364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock price prediction is challenging due to market volatility and its sensitivity to real-time events. While large language models (LLMs) offer new avenues for text-based forecasting, their application in finance is hindered by noisy news data and the lack of explicit answers in text. General-purpose memory architectures struggle to identify the key drivers of price movements. To address this, we propose StockMem, an event-reflection dual-layer memory framework. It structures news into events and mines them along two dimensions: horizontal consolidation integrates daily events, while longitudinal tracking captures event evolution to extract incremental information reflecting market expectation discrepancies. This builds a temporal event knowledge base. By analyzing event-price dynamics, the framework further forms a reflection knowledge base of causal experiences. For prediction, it retrieves analogous historical scenarios and reasons with current events, incremental data, and past experiences. Experiments show StockMem outperforms existing memory architectures and provides superior, explainable reasoning by tracing the information chain affecting prices, enhancing decision transparency in financial forecasting.
• Abstract（参考訳）: 市場のボラティリティとリアルタイムイベントへの敏感さのため、株価の予測は難しい。 大規模言語モデル(LLM)は、テキストベースの予測のための新しい道を提供するが、財務におけるそれらの適用は、騒々しいニュースデータと、テキストにおける明確な回答の欠如によって妨げられる。 汎用メモリアーキテクチャは、価格変動の主要な要因を特定するのに苦労する。 これを解決するために、イベントリフレクション二重層メモリフレームワークであるStockMemを提案する。 水平統合は日々のイベントを統合し、縦追跡はイベントの進化を捉え、市場期待の相違を反映したインクリメンタルな情報を抽出する。 これにより、一時的なイベント知識ベースが構築される。 イベント・プライス・ダイナミクスを解析することにより、このフレームワークはさらに因果的経験のリフレクション知識ベースを形成する。 予測には、現在のイベント、インクリメンタルデータ、過去の経験と類似した過去のシナリオと理由を検索する。 実験では、StockMemが既存のメモリアーキテクチャより優れており、価格に影響を及ぼす情報チェーンをトレースし、財務予測における意思決定の透明性を高めることによって、優れた説明可能な推論を提供する。

関連論文リスト

• OpenEP: Open-Ended Future Event Prediction [57.63525290892786]
  我々はOpenEP(Open-Ended Future Event Prediction Task)を導入し、現実のシナリオに合わせたフレキシブルで多様な予測を生成する。 質問構築には、場所、時間、イベント開発、イベント結果、イベント影響、イベント応答など、7つの視点から質問する。 結果構築のために,結果を含む自由形式のテキストを基礎的真理として収集し,意味論的に完全かつ詳細に富んだ結果を提供する。
  論文  参考訳（メタデータ） (2024-08-13T02:35:54Z)
• Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models [9.991327369572819]
  本稿では,関連事象に関するテキスト情報を組み込んだ協調モデリングフレームワークを提案する。 我々は、将来の変更に関する大規模言語モデルの直感を活用して、実数時系列の予測を更新する。
  論文  参考訳（メタデータ） (2024-07-04T07:21:38Z)
• Implicit Event-RGBD Neural SLAM [54.74363487009845]
  神経性SLAMは近年顕著な進歩を遂げている。 既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。 本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
  論文  参考訳（メタデータ） (2023-11-18T08:48:58Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• EnrichEvent: Enriching Social Data with Contextual Information for Emerging Event Extraction [4.905346662577355]
  本稿では、ストリーミングソーシャルデータから特定されていないイベントを特定するために、エンドツーエンドの新規フレームワークであるEnrichEventを提案する。 我々は、ツイートの文脈的知識を活用して、その表現を豊かにし、イベントに関するユーザの意見をよりよく把握する。
  論文  参考訳（メタデータ） (2023-07-29T21:37:55Z)
• The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends [0.5249805590164902]
  市場の動向を予測するための感情属性よりも文脈埋め込みの形での意味的特徴が重要であるかを検討する。 当社は、NASDAQの資本化による大手企業に関連するTwitter投稿のコーパスとその価格設定について検討する。 以上の結果から,感情的特徴の活用により,有意な頻度で測定値が上昇することが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T18:30:15Z)
• Causal Knowledge Guided Societal Event Forecasting [24.437437565689393]
  本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。 機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
  論文  参考訳（メタデータ） (2021-12-10T17:41:02Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)

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。