概要 - ツイートを用いた混合専門家による説明可能な株価予測の学習

タイトル

ツイートを用いた混合専門家による説明可能な株価予測の学習

時間

2025-07-28 05:37:19

著者

{"Wenyan Xu","Dawei Xiang","Rundong Wang","Yonghong Hu","Liang Zhang","Jiayu Chen","Zhonghua Lu"}

カテゴリ

{cs.CE}

リンク
http://arxiv.org/abs/2507.20535v1

PDF リンク
http://arxiv.org/pdf/2507.20535v1

概要

この論文では、株価予測のためのテキストと時系列データを統合する新しいアプローチであるFTS-Text-MoEモデルを提案しています。このモデルは、機械学習とディープラーニング技術を活用することで、伝統的方法の限界を克服しています。 FTS-Text-MoEの主な特徴は以下の通りです： * **入力トークンエンブーディング**：事前訓練された言語モデルとトークナイザーを使用して、生のテキストを高品質なエンブーディングに変換します。 * **MoE Transformerモジュール**：スパーストランスフォーマーデコーダを使用して、テキストと時系列データの両方を処理し、計算コストを削減しつつ性能を維持します。 * **マルチリズョン予測**：多リズョン予測ヘッドを取り入れて、異なる時間スケールでの柔軟な予測を実現します。 * **損失関数**：複数のリズョンにおける自己回帰的な損失を組み合わせ、専門家の負荷バランスのための補助的なバランス損失を追加します。実験結果は、FTS-Text-MoEが精度、投資リターン、シャープ比率の面でベースラインモデルを上回ることを示しています。モデルはニュースやツイートなどのテキストデータを効果的に利用して、予測性能を向上させます。論文の主要な貢献は以下の通りです： * **更新されたFNSPIDデータセット**：金融ニュースデータの拡張されたカバレッジを提供するFNSPIDデータセットの更新版を提供します。 * **FTS-Text-MoEモデル**：株価予測のためのテキストと時系列データを統合する新しいモデル。 * **性能向上**：精度と金融指標の面でベースラインモデルに比べて優れた性能を示します。論文は、株価予測モデルにテキスト情報を組み込む重要性を強調し、FTS-Text-MoEモデルがこの目標を達成する有効性を示しています。今後の研究の方向としては、情報の遅延や虚偽情報などの潜在的な限界を解決し、モデルの強健性と精度をさらに向上させることです。

推奨論文

完全微分可能な有限要素法に基づく機械学習を通じて失われた物理学の発見

会話が歪んだ後でもどうなるか？対話予測モデルの評価

「長文文脈長で状態空間モデル（SSM）とSSM-トランスフォーマーハイブリッド言語モデルの性能を特徴化」

無条件の擬似乱数に対する浅い量子回路に対する無条件の擬似乱数

AbGen: 科学研究のための消去研究設計と評価における大規模言語モデルの評価

ランダムな(log n)-CNF中で偽の節を検索することは、ランダム通信では難しい

VideoITG: 指示的な時空基盤を用いた多模様ビデオ理解

言語混合がバイリンガルLLMの推論に与える影響

禁止パターンと植えられた色を持つエッジ色付け問題

LoRA-PAR：効率的なLLM微調整のための柔軟なデュアルシステムLoRAパーティショニングアプローチ