A Two‐Stage NLP‐Driven Framework for Interval‐Valued Carbon Price Prediction Using Sentiment Analysis and Error Correction
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
ABSTRACT Accurate predictions of carbon prices are essential for efficient administration and stable operation of carbon markets. Previous studies have mostly focused on point or interval predictions based on point‐valued data. These approaches insufficiently capture the full extent of market volatility. In contrast, interval‐valued data, containing maximum and minimum values, enable more meaningful interval‐valued predictions and thus provide a more comprehensive assessment of uncertainty. However, as previous research in this direction is limited, this study proposes a two‐stage framework for interval‐valued prediction using interval‐valued data. During the initial prediction stage, natural language processing (NLP) techniques are employed to analyze textual data from social media to assess market sentiment. This unstructured data (UD) is then combined with structured data (SD) and fed into a convolutional neural network‐bidirectional long short‐term memory‐Attention (CNN‐BiLSTM‐Attention) mechanism to generate an initial prediction. During the error correction (EC) stage, deviations between the actual and initial predicted values are calculated. These error sequences are then predicted and incorporated into the initial prediction to refine the final results. Trading simulations indicate that the proposed SD‐UD‐CNN‐BiLSTM‐Attention‐EC model can reduce trading risk and improve trading returns.
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 | 0,010 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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