Nachrichtenstimmung und Zeitreihenmodelle für den S&P-500-Handel

Zusammenfassung

Die Studie beschreibt einen Handelsansatz, der aus Finanznachrichten gewonnene Stimmungsdaten mit technischen Indikatoren und Zeitreihenprognosen kombiniert. Für die Stimmungsanalyse verwendet sie GPT-2 und FinBERT, verbindet die resultierenden Signale mit Momentum- und Trendmaßen und bewertet Strategien neben ARIMA- und ETS-Modellen sowie einer Benchmark für Kaufen und Halten. Die Leistung wird anhand von Vermögenswerten und Renditen beurteilt.

Das Dokument berichtet, dass die Kombination von Stimmungssignalen mit traditionellen Modellen die Handelsleistung in der Auswertung verbessert hat, und beschreibt den Ansatz als Möglichkeit, auf veränderte Marktbedingungen zu reagieren. Es nennt weder Stichprobentermine und detaillierte Strategieregeln noch numerische Leistungsresultate oder statistische Tests; Stärke und Allgemeingültigkeit des Ergebnisses lassen sich anhand der Beschreibung daher nicht beurteilen. Die Evidenz bezieht sich auf den S&P 500; sie belegt nicht, dass sich der Ansatz auf andere Märkte übertragen lässt oder nach Handelskosten wirksam bleibt.

Kernaussagen

• Der Ansatz kombiniert die Stimmung aus Finanznachrichten mit technischen Indikatoren und Zeitreihenmodellen.
• GPT-2 und FinBERT leiten aus Nachrichten Stimmungssignale ab.
• Die Auswertung vergleicht kombinierte Strategien mit Kaufen und Halten sowie stimmungsbasierten Ansätzen.
• Die Beschreibung nennt keine numerischen Ergebnisse und enthält nur begrenzte Angaben zur Validierung der berichteten Verbesserung.

Schlagwörter

# Enhancing Trading Performance Through Sentiment Analysis with Large Language Models: Evidence from the S&P 500


# Enhancing Trading Performance Through Sentiment Analysis with Large Language Models: Evidence from the S&P 500









This study integrates real-time sentiment analysis from financial news, GPT-2 and FinBERT, with technical indicators and time-series models like ARIMA and ETS to optimize S&P 500 trading strategies. By merging sentiment data with momentum and trend-based metrics, including a benchmark buy-and-hold and sentiment-based approach, is evaluated through assets values and returns. Results show that combining sentiment-driven insights with traditional models improves trading performance, offering a more dynamic approach to stock trading that adapts to market changes in volatile environments.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.