An Adaptive Multimodal Learning Model for Financial Market Price Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Investors’ trading behavior is influenced by a multimode of information sources such as technical analysis, news dissemination, and sentiment, which results in the non-stationary behavior of financial time series. With advancements in deep learning, studies considering temporal relationships in each data mode and applying heterogeneous data fusion techniques for market prediction are increasing. While net price change prediction is helpful for investors, most previous deep learning models only predict the up/down trend of price as the non-stationary behavior of price time series influences the regression performance. In this work, we present an adaptive model for price regression, which learns interdependencies between the distribution of multimode data and the amount of price change around an average price for snapshots of systems. We use news content, the mood in specialized newsgroups, and technical indicators for data representation. Different news topics, also known as modalities, can be absorbed by investors with different diffusion speeds; hence we use a concept-based news representation method that reflects news topics in a news vector. Also, our model considers the positive/negative mood in specialized newsgroups and technical indicators. To capture complex temporal characteristics in the distribution of economic concepts in the news sequence, we use a recurrent convolutional neural network and other recurrent layers to perceive changes in technical indicators and mood in specialized newsgroups. In the fusion layer, our model learns to normalize data points based on their estimated distribution and the importance weight of each data mode to handle multimodality challenges. To overcome the non-stationary behavior of price, we let the network learn how to drift the predicted values around the average price of that packet. Our experiments demonstrate a significant 40.11% error reduction compared to the baselines. We also discuss the adaptability, and price prediction capability of our proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle