論文の概要: Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

• arxiv url: http://arxiv.org/abs/2605.25894v1
• Date: Mon, 25 May 2026 14:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.330551
• Title: Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning
• Title（参考訳）: マルチモーダルディープラーニングによる商品発表日の株価方向予測
• Authors: Manuel Noseda, Nathan Soldati, Marco Paina,
• Abstract要約: 我々は、発表前のニュースセンチメント、確固たる基礎、最近の市場動態が、決算発表日の株式の方向性価格変動を共同で予測するかどうかを評価する。 我々は、FinBERTを用いて処理された財務ニュース記事から得られた15の基本的な指標、3つの価格に基づく技術指標と感情スコアを組み合わせたマルチモーダル特徴空間を構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting stock price movements during Earnings Announcements (EAs) is a significant challenge due to market noise and high-impact price discontinuities. In this study, we evaluate whether pre-announcement news sentiment, firm fundamentals, and recent market dynamics jointly predict the directional price movement of equities on EA days. We construct a multi-modal feature space combining 15 fundamental metrics, 3 price-based technical indicators and sentiment scores derived from financial news articles processed using FinBERT. We compare a Long Short-Term Memory (LSTM) network and a Transformer-based architecture against a logistic regression baseline, and further assess all models with and without sentiment features to quantify their incremental value. Our results indicate that while the LSTM demonstrates higher precision through a conservative safe-bet strategy, the Transformer model exhibits superior sensitivity in identifying volatile movements, achieving a higher macro F1-score, with ablation experiments showing a consistent benefit from incorporating news sentiment.
• Abstract（参考訳）: Earnings Announcements(EAs)における株価変動の予測は、市場ノイズと高い価格不連続のため重要な課題である。 本研究では、発表前のニュースセンチメント、しっかりとした基礎、そして最近の市場動態が、EA日における株式の方向性価格移動を共同で予測するかどうかを評価する。 我々は、FinBERTを用いて処理された財務ニュース記事から得られた15の基本的な指標、3つの価格に基づく技術指標と感情スコアを組み合わせたマルチモーダル特徴空間を構築した。 我々は、LSTM(Long Short-Term Memory)ネットワークとTransformerベースのアーキテクチャをロジスティック回帰ベースラインと比較し、さらに感情的特徴と非感情的特徴を持つ全てのモデルを評価し、そのインクリメンタルな価値を定量化する。 以上の結果から,LSTMは保守的な安全なベット戦略によって高い精度を示すが,トランスフォーマーモデルでは揮発性運動の識別に優れた感度を示し,高いマクロF1スコアを達成するとともに,ニュース感情を取り入れることによる一貫したメリットを示すアブレーション実験を行った。

関連論文リスト

• Generalized Stock Price Prediction for Multiple Stocks Combined with News Fusion [55.80546131166094]
  本稿では,Large Language Models (LLMs) と日次金融ニュースを統合して株価予測を行う手法を提案する。 我々は,事前学習したLLMを用いてニュース記事をエンコードし,ストック関連性に基づいてニュースをフィルタリングする3つのアテンションベースプール手法を実装した。 実験の結果,平均絶対誤差(MAE)はベースラインに比べて7.11%減少した。
  論文  参考訳（メタデータ） (2026-03-08T09:05:10Z)
• 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)
• CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization [14.241290261347281]
  Pseudo-volatility Optimization (CSPO)によるクロスマーケット・シナジーの枠組みを紹介する。 CSPOは、外部の未来の知識を活用するために効果的なディープ・ニューラル・アーキテクチャを実装している。 CSPOは、ストック固有の予測信頼性をモデル化するために擬似ボラティリティを取り入れている。
  論文  参考訳（メタデータ） (2025-03-26T18:58:15Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Analyzing public sentiment to gauge key stock events and determine volatility in conjunction with time and options premiums [0.0]
  本モデルでは,感情分析とデータ検索技術を統合し,ソーシャルメディアから重要な情報を抽出する。 このアプローチの目的は、主要なイベントに基づいて取引を実行するためのタイムリーなデータを提供することだ。
  論文  参考訳（メタデータ） (2025-02-08T01:48:10Z)
• 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)
• 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)
• 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)
• 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)

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。