論文の概要: Structured Event Representation and Stock Return Predictability

• arxiv url: http://arxiv.org/abs/2512.19484v1
• Date: Mon, 22 Dec 2025 15:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.577527
• Title: Structured Event Representation and Stock Return Predictability
• Title（参考訳）: 構造化イベント表現とストックリターン予測可能性
• Authors: Gang Li, Dandan Qiao, Mingxuan Zheng,
• Abstract要約: 本稿では,構造化イベント表現(SER)に基づく新しいディープラーニングモデルを提案する。 我々のSERベースのモデルは、既存のテキスト駆動モデルと比較して優れたパフォーマンスを提供し、サンプルからストックリターンを予測する。
• 参考スコア（独自算出の注目度）: 3.380663252178783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We find that event features extracted by large language models (LLMs) are effective for text-based stock return prediction. Using a pre-trained LLM to extract event features from news articles, we propose a novel deep learning model based on structured event representation (SER) and attention mechanisms to predict stock returns in the cross-section. Our SER-based model provides superior performance compared with other existing text-driven models to forecast stock returns out of sample and offers highly interpretable feature structures to examine the mechanisms underlying the stock return predictability. We further provide various implications based on SER and highlight the crucial benefit of structured model inputs in stock return predictability.
• Abstract（参考訳）: 大規模言語モデル(LLM)によって抽出された事象の特徴は,テキストベースのストックリターン予測に有効であることがわかった。 事前学習したLLMを用いてニュース記事からイベントの特徴を抽出し,構造化イベント表現(SER)に基づく新しい深層学習モデルと,クロスセクションにおけるストックリターンを予測するアテンション機構を提案する。 我々のSERベースのモデルは、既存のテキスト駆動モデルと比較して、サンプルからストックリターンを予測するのに優れた性能を提供し、ストックリターン予測のメカニズムを解明するための高度に解釈可能な特徴構造を提供する。 さらに、SERに基づく様々な意味を提供し、ストックリターン予測可能性における構造化モデル入力の重要な利点を強調します。

関連論文リスト

• From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection [16.47323362700347]
  本稿では,テキストデータと時系列データの両方を解析することで時系列予測を強化する新しい手法を提案する。 言語を媒体として,社会イベントを予測モデルに適応的に統合し,ニュースコンテンツと時系列のゆらぎを一致させてより豊かな洞察を提供する。 具体的には、LSMをベースとしたエージェントを用いて、無関係なニュースを反復的にフィルタリングし、人間ライクな推論を用いて予測を評価する。
  論文  参考訳（メタデータ） (2024-09-26T03:50:22Z)
• ECC Analyzer: Extract Trading Signal from Earnings Conference Calls using Large Language Model for Stock Performance Prediction [7.358590821647365]
  本研究は, 大規模言語モデル(LLM)を用いてECCからよりリッチで予測性の高いコンテンツを抽出する, textbfECC Analyzer という新しいフレームワークを紹介する。 我々は、事前訓練された大規模モデルを用いて、ECCからテキストや音声の特徴を抽出し、階層的な情報抽出戦略を実装し、よりきめ細かい情報を抽出する。 実験により,本モデルが従来の分析ベンチマークより優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-29T07:11:39Z)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• Evaluating and Explaining Large Language Models for Code Using Syntactic Structures [74.93762031957883]
  本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。 その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。 私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
  論文  参考訳（メタデータ） (2023-08-07T18:50:57Z)
• Explaining Language Models' Predictions with High-Impact Concepts [11.47612457613113]
  概念ベースの解釈可能性手法をNLPに拡張するための完全なフレームワークを提案する。 出力予測が大幅に変化する特徴を最適化する。 本手法は, ベースラインと比較して, 予測的影響, ユーザビリティ, 忠実度に関する優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-05-03T14:48:27Z)
• Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
  実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。 わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。 これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
  論文  参考訳（メタデータ） (2022-04-17T15:55:18Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。