Полное описание

Куликова, Т. Д. Получаем ли мы пользу от категоризации потока новостей в задаче прогнозирования цен акций? / Т. Д. Куликова, Е. Ю. Ковтун, С. А. Буденный. - DOI 10.31857/S2686954323601926. - Текст : непосредственный // Российская академия наук. Доклады Российской академии наук. Математика, информатика, процессы управления : журнал. - 2023. - Т. 514, № 2 : Специальный выпуск: технологии искусственного интеллекта и машинного обучения. - С. 385-394. - Библиогр. в конце ст. - ISSN 2686-9543.

ГРНТИ	УДК
28.23.25	004.85-049.8
50.49	33:004.8
06.73.75	336.763.2-047.72

Рубрики:
Машинное обучение -- Применение
Искусственный интеллект -- Применение в экономике
Ценные бумаги -- Прогнозирование

Кл.слова (ненормированные): финансовые новости -- фондовый рынок -- Bert -- тематическая классификация -- анализ эмоциональной окрашенности текста -- прогнозирование временных рядов -- глубокое обучение -- внешние данные
Аннотация: Машинное обучение широко применяется в задаче прогнозирования цен на акции публичных компаний. Для построения более точной прогностической модели необходимо учитывать не только исторические данные о ценах на акции, но и относящиеся к ним знания из внешнего мира. Такую ценную информацию может дать эмоциональная окраска финансовых новостей, связанных с компанией. Однако финансовые новости могут быть разделены на различные тематические группы, например, Macro (новости, относящиеся к теме “макроэкономика”), Market (новости о ситуации на различных рынках) или Product news (новости о продукте, который производит та или иная компания). В задачах исследования рынка обычно не принимается во внимание такая категоризация. В данной работе мы стремимся восполнить этот пробел и изучить эффект от учета разделения новостей на группы по тематическому признаку в задаче прогнозирования цен на акции публичных компаний. Сначала мы получаем индикаторы настроения финансовых новостей, затем классифицируем их поток на 20 заранее определенных тем с помощью предварительно обученной модели. Кроме того, мы проводим эксперименты с несколькими хорошо зарекомендовавшими себя моделями для прогнозирования временных рядов, включая темпоральную конволюционную сеть (Temporal Convolutional Network), D-линейную модель (D-Linear), трансформатор (Transformer) и темпоральный синтезирующий трансформатор (Temporal Fusion Transformer). Результаты нашего исследования показывают, что использование информации об эмоциональной окраске новостей из отдельных тематических групп способствует улучшению метрик работы моделей глубокого обучения по сравнению с подходом, когда рассматриваются все новости без какого-либо разделения.
Доп. точки доступа:
Ковтун, Е.Ю.
Буденный, С.А.


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -565383-873761)

Шифр в сводном ЭК: a478036f6192922a1b0c88dddc9092d7

Заказать
Заказ фрагмента документа ₽