ترجمه فارسی مقاله بهبود پیش‌بینی‌های بازار مالی: انتخاب ویژگی مبتنی بر علیت

چکیده

This paper introduces the FinSen dataset that revolutionizes financial market analysis by integrating economic and financial news articles from 197 countries with stock market data. The dataset’s extensive coverage spans 15 years from 2007 to 2023 with temporal information, offering a rich, global perspective with 160,000 records on financial market news. Our study leverages causally validated sentiment scores and LSTM models to enhance market forecast accuracy and reliability. Utilizing the FinSen dataset, we introduce an innovative Focal Calibration Loss, reducing Expected Calibration Error (ECE) to 3.34 percent with the DAN 3 model. This not only improves prediction accuracy but also aligns probabilistic forecasts closely with real outcomes, crucial for the financial sector where predicted probability is paramount. Our approach demonstrates the effectiveness of combining sentiment analysis with precise calibration techniques for trustworthy financial forecasting where the cost of misinterpretation can be high. Finsen Data can be found at [this github URL](https://github.com/EagleAdelaide/FinSen_Dataset.git).

چکیده به فارسی (ترجمه ماشینی)

در این مقاله مجموعه داده های Finsen ارائه شده است که با ادغام مقالات خبری اقتصادی و مالی از 197 کشور با داده های بازار سهام ، تجزیه و تحلیل بازار مالی را متحول می کند.پوشش گسترده این مجموعه داده ها 15 سال از سال 2007 تا 2023 با اطلاعات موقتی است و با 160،000 سوابق در اخبار بازار مالی ، چشم انداز غنی و جهانی را ارائه می دهد.مطالعه ما از نمرات احساسات علیت و مدلهای LSTM برای افزایش دقت و قابلیت اطمینان پیش بینی بازار استفاده می کند.با استفاده از مجموعه داده Finsen ، ما یک از دست دادن کالیبراسیون کانونی نوآورانه را معرفی می کنیم و خطای کالیبراسیون مورد انتظار (ECE) را با مدل DAN 3 به 3.34 درصد کاهش می دهیم.این نه تنها دقت پیش بینی را بهبود می بخشد بلکه پیش بینی های احتمالی را از نزدیک با نتایج واقعی هماهنگ می کند ، برای بخش مالی که احتمال پیش بینی شده مهم است بسیار مهم است.رویکرد ما اثربخشی ترکیب تجزیه و تحلیل احساسات را با تکنیک های دقیق کالیبراسیون برای پیش بینی مالی قابل اعتماد نشان می دهد که در آن هزینه تفسیر نادرست می تواند زیاد باشد.داده های Finsen را می توان در [این URL GitHub] (https://github.com/eagleadelaide/finsen_dataset.git) یافت.