論文の概要: Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2603.05917v1
• Date: Fri, 06 Mar 2026 05:15:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.102249
• Title: Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis
• Title（参考訳）: BERT知覚分析を統合したノードトランスアーキテクチャによる株式市場予測
• Authors: Mohammad Al Ridhawi, Mahtab Haj Ali, Hussein Al Osman,
• Abstract要約: 本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。 提案モデルは,個々の株式がノードを形成し,エッジが関係をキャプチャするグラフ構造として,株式市場を表現している。 1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%達成していることが示されている。
• 参考スコア（独自算出の注目度）: 1.2362187555287152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock market prediction presents considerable challenges for investors, financial institutions, and policymakers operating in complex market environments characterized by noise, non-stationarity, and behavioral dynamics. Traditional forecasting methods often fail to capture the intricate patterns and cross-sectional dependencies inherent in financial markets. This paper presents an integrated framework combining a node transformer architecture with BERT-based sentiment analysis for stock price forecasting. The proposed model represents the stock market as a graph structure where individual stocks form nodes and edges capture relationships including sectoral affiliations, correlated price movements, and supply chain connections. A fine-tuned BERT model extracts sentiment from social media posts and combines it with quantitative market features through attention-based fusion. The node transformer processes historical market data while capturing both temporal evolution and cross-sectional dependencies among stocks. Experiments on 20 S&P 500 stocks spanning January 1982 to March 2025 demonstrate that the integrated model achieves a mean absolute percentage error (MAPE) of 0.80% for one-day-ahead predictions, compared to 1.20% for ARIMA and 1.00% for LSTM. Sentiment analysis reduces prediction error by 10% overall and 25% during earnings announcements, while graph-based modeling contributes an additional 15% improvement by capturing inter-stock dependencies. Directional accuracy reaches 65% for one-day forecasts. Statistical validation through paired t-tests confirms these improvements (p < 0.05 for all comparisons). The model maintains MAPE below 1.5% during high-volatility periods where baseline models exceed 2%.
• Abstract（参考訳）: 株式市場の予測は、騒音、非定常性、行動力学を特徴とする複雑な市場環境で働く投資家、金融機関、政策立案者にかなりの課題をもたらす。 従来の予測手法は、金融市場固有の複雑なパターンや横断的な依存関係を捉えるのに失敗することが多い。 本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。 提案モデルは,個々の株式がノードを形成し,エッジがセクシャルアフィリエイト,関連価格移動,サプライチェーン接続を含む関係をキャプチャするグラフ構造として,株式市場を表現している。 細調整されたBERTモデルはソーシャルメディアの投稿から感情を抽出し、注意に基づく融合を通じてそれを定量的な市場特徴と組み合わせる。 ノードトランスは、時間的進化と株式間の断続的依存関係の両方をキャプチャしながら、歴史的な市場データを処理する。 1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%、ARIMAが1.20%、LSTMが1.00%を達成した。 センチメント分析は、決算発表時に予測エラーを全体の10%と25%に減らし、グラフベースのモデリングは、ストック間の依存関係をキャプチャすることで、さらに15%改善する。 方向精度は1日の予測で65%に達する。 対t検定による統計的検証は、これらの改善を裏付ける(すべての比較において、p < 0.05)。 このモデルは、ベースラインモデルが2%を超える高ボラティリティ期間のMAPEを1.5%以下に維持する。

関連論文リスト

• Increase Alpha: Performance and Risk of an AI-Driven Trading Framework [0.0]
  金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
  論文  参考訳（メタデータ） (2025-09-20T14:37:02Z)
• A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer [4.6028394466086535]
  動的関係モデリングと価格予測のための差分グラフ変換器フレームワークを提案する。 我々のDGTは連続的なグラフ構造の変化を多面的自己認識に統合する。 クローサル時間的注意は、価格シーケンスのグローバル/ローカル依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2025-06-23T14:53:31Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• A Novel Twitter Sentiment Analysis Model with Baseline Correlation for Financial Market Prediction with Improved Efficiency [12.060423458650765]
  将来の株価FTSE100のリアルタイム予測のために,Twitterの感情スコア(TSS)に基づく新たな感情分析モデルを提案する。 提案したTSSモデルでは,新しいベースライン相関手法が特徴的であり,精度の高い予測精度を示す。 得られたTSSは、将来の株式市場のトレンドを、67.22%の精度で15時間(30労働時間)で予測する。
  論文  参考訳（メタデータ） (2020-03-18T10:33:23Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。