論文の概要: Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction

• arxiv url: http://arxiv.org/abs/2602.00086v2
• Date: Thu, 05 Feb 2026 00:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.35655
• Title: Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction
• Title（参考訳）: LLMsニュース感度分析が株価変動予測に及ぼす影響
• Authors: Walid Siala, Ahmed Khanfir, Mike Papadakis,
• Abstract要約: 本稿では,LLMに基づくニュース感情分析を利用した株価変動予測について述べる。 感情駆動株予測では,DeBERTa,RoBERTa,FinBERTの3つの LLM を比較した。 以上の結果から,DeBERTaは75%の精度で他の2モデルより優れており,3モデルを組み合わせたアンサンブルモデルにより約80%の精度で精度が向上する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 5.317864735982288
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper addresses stock price movement prediction by leveraging LLM-based news sentiment analysis. Earlier works have largely focused on proposing and assessing sentiment analysis models and stock movement prediction methods, however, separately. Although promising results have been achieved, a clear and in-depth understanding of the benefit of the news sentiment to this task, as well as a comprehensive assessment of different architecture types in this context, is still lacking. Herein, we conduct an evaluation study that compares 3 different LLMs, namely, DeBERTa, RoBERTa and FinBERT, for sentiment-driven stock prediction. Our results suggest that DeBERTa outperforms the other two models with an accuracy of 75% and that an ensemble model that combines the three models can increase the accuracy to about 80%. Also, we see that sentiment news features can benefit (slightly) some stock market prediction models, i.e., LSTM-, PatchTST- and tPatchGNN-based classifiers and PatchTST- and TimesNet-based regression tasks models.
• Abstract（参考訳）: 本稿では,LLMに基づくニュース感情分析を利用した株価変動予測について述べる。 初期の研究は主に感情分析モデルとストックムーブメント予測手法の提案と評価に重点を置いてきた。 有望な結果が得られたが、このタスクに対するニュース感情のメリットを明確かつ深く理解し、また、このコンテキストにおけるさまざまなアーキテクチャタイプを包括的に評価することは、まだ不十分である。 本稿では,感情駆動型株価予測において,DeBERTa,RoBERTa,FinBERTの3つのLLMを比較した評価研究を行う。 以上の結果から,DeBERTaは75%の精度で他の2モデルより優れており,3モデルを組み合わせたアンサンブルモデルにより約80%の精度で精度が向上する可能性が示唆された。 また、感情ニュース機能は、LSTM-、PatchTST-、tPatchGNN-ベースの分類器、PatchTST-およびTimesNet-ベースの回帰タスクモデルといった、いくつかの株式市場予測モデルに(わずかに)恩恵をもたらす可能性がある。

関連論文リスト

• RETuning: Upgrading Inference-Time Scaling for Stock Movement Prediction with Large Language Models [37.97736341087795]
  本研究では,大規模言語モデル(LLM)が,体系的かつ独立した分析論理(CoT)を示すのではなく,アナリストの意見に従うことを観察し,三クラス分類問題(アップ,ホールド,ダウン)を考察する。 本稿では,強化学習に先立つ冷間開始法である反射エビデンスチューニング(RETuning)を提案し,予測能力を向上する。 2024年全体の5,123件のAシェアストックに、長いコンテキスト(32Kトークン)と200K以上のサンプルを備えた大規模なデータセットを構築しています。
  論文  参考訳（メタデータ） (2025-10-24T16:08:33Z)
• Predicting Stock Price Movement with LLM-Enhanced Tweet Emotion Analysis [2.4401219403555814]
  市場固有のボラティリティと投資家の感情への敏感さのため、短期株価の動きを正確に予測することは依然として難しい課題である。 本稿では、ツイートデータから抽出した感情特徴を過去の株価情報と統合し、翌日の大幅な価格変動を予測するディープラーニングフレームワークについて論じる。
  論文  参考訳（メタデータ） (2025-10-04T02:31:44Z)
• Sentiment trading with large language models [0.0]
  OPTは感情予測の精度が最も高く、74.4%の精度を示している。 BERTとFINBERTは、より少ない範囲で予測的関連性を示す。 Loughran-McDonald辞書モデルのスコアとストックリターンとの間に有意な関係はみられない。
  論文  参考訳（メタデータ） (2024-12-26T15:01:24Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• 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)
• Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
  LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。 実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
  論文  参考訳（メタデータ） (2023-08-07T14:21:05Z)
• 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)

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。