論文の概要: TopicProphet: Prophesies on Temporal Topic Trends and Stocks

• arxiv url: http://arxiv.org/abs/2512.11857v1
• Date: Fri, 05 Dec 2025 04:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.731333
• Title: TopicProphet: Prophesies on Temporal Topic Trends and Stocks
• Title（参考訳）: Topic Prophet: テンポラルトピートレンドと株価に関する予言
• Authors: Olivia Kim,
• Abstract要約: 同様の世論傾向と歴史的背景を共有する歴史時代を解析するための新しい枠組みであるTopicProphetを提案する。 この結果、この時代の社会経済的・政治的地位から生じる微妙なパターンのモデルを提供することで、予測を改善することができる。
• 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: Stocks can't be predicted. Despite many hopes, this premise held itself true for many years due to the nature of quantitative stock data lacking causal logic along with rapid market changes hindering accumulation of significant data for training models. To undertake this matter, we propose a novel framework, TopicProphet, to analyze historical eras that share similar public sentiment trends and historical background. Our research deviates from previous studies that identified impacts of keywords and sentiments - we expand on that method by a sequence of topic modeling, temporal analysis, breakpoint detection and segment optimization to detect the optimal time period for training. This results in improving predictions by providing the model with nuanced patterns that occur from that era's socioeconomic and political status while also resolving the shortage of pertinent stock data to train on. Through extensive analysis, we conclude that TopicProphet produces improved outcomes compared to the state-of-the-art methods in capturing the optimal training data for forecasting financial percentage changes.
• Abstract（参考訳）: 株価は予測できない。 多くの期待にもかかわらず、この前提は、因果論理が欠如している量的ストックデータの性質と、市場の急速な変化により、トレーニングモデルに重要なデータが蓄積することを妨げるため、長年にわたって真実であった。 そこで我々は,同様の世論傾向と歴史背景を共有できる歴史時代を解析するための新しい枠組み,TopicProphetを提案する。 我々の研究は、キーワードや感情の影響を識別する以前の研究から逸脱しており、トピックモデリング、時間分析、ブレークポイント検出、セグメント最適化のシーケンスによってその手法を拡張し、トレーニングの最適時間を検出する。 これにより、その時代の社会経済・政治状態から生じる微妙なパターンをモデルとして提供し、また、トレーニングする関連するストックデータの不足を解消し、予測を改善することができる。 TopicProphetは、財務パーセンテージの変化を予測するための最適なトレーニングデータを取得するための最先端の手法と比較して、改善された結果を生み出すと結論付けている。

関連論文リスト

• Time Series Feature Redundancy Paradox: An Empirical Study Based on Mortgage Default Prediction [0.5755004576310334]
  従来の知恵は、長いトレーニング期間とより多くの機能変数がモデルのパフォーマンス向上に寄与することを示している。 本稿では、住宅ローンのデフォルト予測に着目し、従来の知識と矛盾する現象を実証的に発見する。
  論文  参考訳（メタデータ） (2024-12-23T21:28:32Z)
• 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)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Training Data Influence Analysis and Estimation: A Survey [25.460140245596918]
  トレーニングデータの影響分析と推定に関する総合的な調査を初めて実施する。 我々は、最先端の影響分析手法を分類学に編成する。 本研究では,影響分析をより効果的に活用するための今後の研究の方向性を提案する。
  論文  参考訳（メタデータ） (2022-12-09T00:32:46Z)
• Volatility forecasting using Deep Learning and sentiment analysis [0.0]
  本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。 次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
  論文  参考訳（メタデータ） (2022-10-22T14:54:33Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。