論文の概要: A Hybrid Model for Stock Market Forecasting: Integrating News Sentiment and Time Series Data with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2512.08567v1
• Date: Tue, 09 Dec 2025 13:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.966217
• Title: A Hybrid Model for Stock Market Forecasting: Integrating News Sentiment and Time Series Data with Graph Neural Networks
• Title（参考訳）: 株価予測のためのハイブリッドモデル:グラフニューラルネットワークによるニュース感度と時系列データの統合
• Authors: Nader Sadek, Mirette Moawad, Christina Naguib, Mariam Elzahaby,
• Abstract要約: 本稿では,企業のニュース記事と過去の株価データを統合して予測性能を向上させるマルチモーダルアプローチについて検討する。 米国株とブルームバーグのデータセットの実験は、GNNがLSTMベースラインを上回っていることを示している。 見出しには全記事よりも強い予測信号が含まれており、簡潔なニュース要約が短期市場反応において重要な役割を果たすことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock market prediction is a long-standing challenge in finance, as accurate forecasts support informed investment decisions. Traditional models rely mainly on historical prices, but recent work shows that financial news can provide useful external signals. This paper investigates a multimodal approach that integrates companies' news articles with their historical stock data to improve prediction performance. We compare a Graph Neural Network (GNN) model with a baseline LSTM model. Historical data for each company is encoded using an LSTM, while news titles are embedded with a language model. These embeddings form nodes in a heterogeneous graph, and GraphSAGE is used to capture interactions between articles, companies, and industries. We evaluate two targets: a binary direction-of-change label and a significance-based label. Experiments on the US equities and Bloomberg datasets show that the GNN outperforms the LSTM baseline, achieving 53% accuracy on the first target and a 4% precision gain on the second. Results also indicate that companies with more associated news yield higher prediction accuracy. Moreover, headlines contain stronger predictive signals than full articles, suggesting that concise news summaries play an important role in short-term market reactions.
• Abstract（参考訳）: 正確な予測が投資決定に影響を及ぼす中、株式市場の予測は金融の長年の課題である。 伝統的なモデルは、主に歴史的価格に依存しているが、最近の研究は、金融ニュースが有益な外部信号を提供することを示している。 本稿では,企業のニュース記事と過去の株価データを統合して予測性能を向上させるマルチモーダルアプローチについて検討する。 グラフニューラルネットワーク(GNN)モデルとベースラインLSTMモデルを比較した。 各企業の履歴データはLSTMでエンコードされ、ニュースタイトルには言語モデルが組み込まれている。 これらの埋め込みは異種グラフにノードを形成し、GraphSAGEは記事や企業、産業間のインタラクションをキャプチャするために使用される。 両方向のラベルと重要度に基づくラベルの2つの目標を評価する。 米国株とブルームバーグのデータセットの実験では、GNNはLSTMベースラインを上回り、第1ターゲットでは53%、第2ターゲットでは4%の精度で上昇している。 以上の結果から,関連性の高い企業の方が予測精度が高いことが示唆された。 さらに、見出しには全記事よりも強い予測信号が含まれており、簡潔なニュース要約が短期市場反応において重要な役割を果たすことを示唆している。

関連論文リスト

• Stock Price Prediction using Multi-Faceted Information based on Deep Recurrent Neural Networks [0.3749861135832073]
  本研究では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークを統合することで、株式市場の株価を予測する新しい手法を提案する。 提案手法は,ソーシャルネットワークデータの感情分析とロウソクスティックデータの2つの主成分から構成される。
  論文  参考訳（メタデータ） (2024-11-29T15:12:48Z)
• Reconsidering the Performance of GAE in Link Prediction [47.71007511164166]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、高度なトレーニング技術とモデルアーキテクチャを導入している。 この問題に対処するために、近年の手法でモデルに依存しないトリックを適用することにより、グラフオートエンコーダ(GAE)を体系的に探索する。 改良されたGAEは、近年の洗練されたモデルの性能に匹敵し、広く使われているリンク予測ベンチマークに優れた計算効率を提供する。
  論文  参考訳（メタデータ） (2024-11-06T11:29:47Z)
• 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)
• Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis [2.7921137693344384]
  我々は、株価の歴史と金融、ビジネス、技術ニュースに基づくディープラーニングネットワークを使用し、株価を予測するために市場情報を導入しています。 我々はファイナンシャルテキスト中の感情を識別するために、FinBERTとして知られる事前学習NLPモデルを開発した。 このモデルは、市場構造階層、すなわち、市場、産業、および株価関連ニュースカテゴリに関するニュースカテゴリと、前週の株式市場の株価状況を組み合わせて予測する。
  論文  参考訳（メタデータ） (2024-07-23T03:26:07Z)
• Mixture of Link Predictors on Graphs [38.39552558357963]
  リンク予測は、グラフ内の見えない接続を予測することを目的としている。 様々なペアの測度を利用するヒューリスティック手法は、しばしばバニラグラフニューラルネットワーク(GNN)の性能に匹敵する。
  論文  参考訳（メタデータ） (2024-02-13T16:36:50Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis [0.0]
  市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。 私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
  論文  参考訳（メタデータ） (2022-11-11T15:13:16Z)

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。