Emotionale Überreaktionen für Intraday-Momentum bei AAPL nutzen

Zusammenfassung

Dieses Paper untersucht, ob sich Intraday-Kursüberreaktionen bei Apple-Aktien vorhersagen und als Momentum-Signale handeln lassen. Es kombiniert um die Volatilität bereinigte Renditen mit Emotionsmerkmalen aus Twitter-Nachrichten, definiert Überreaktionen im Verhältnis zur zeitgleichen Volatilität und zu Transaktionskosten und formuliert die Prognose als Klassifikationsaufgabe mit drei Klassen. Zu den getesteten Ansätzen zählen baumbasierte Modelle, neuronale Netze und bidirektionale LSTMs mit verschiedenen Intraday-Abtastfrequenzen.

Dem Paper zufolge übertreffen Machine-Learning-Modelle bei den kürzesten Zeithorizonten die Regeln für Überreaktionen, die als Vergleich dienen. Klassische verhaltensbasierte Momentum-Effekte sind dagegen bei mittleren Frequenzen stärker, insbesondere um zehn Minuten. Die SHAP-Analyse identifiziert Volatilität und negative Emotionen, vor allem Angst und Traurigkeit, als wichtige Prädiktoren. Die Strategien werden anhand risikobereinigter Kennzahlen und statistischer Tests bewertet. Der vorliegende Bericht nennt jedoch keine numerischen Ergebnisse und enthält keine Nachweise über AAPL hinaus; ob sich die Ergebnisse auf andere Aktien und Zeiträume übertragen lassen, bleibt daher unklar.

Kernaussagen

• Die Studie prognostiziert drei Klassen von Überreaktionen anhand normalisierter Renditen und Emotionsmerkmalen.
• Sie vergleicht nichtlineare Klassifikatoren über mehrere Intraday-Frequenzen hinweg.
• Machine-Learning-Modelle übertreffen den Ergebnissen zufolge Vergleichsregeln bei den kürzesten Zeithorizonten.
• Klassisches verhaltensbasiertes Momentum ist Berichten zufolge bei mittleren Frequenzen stärker, besonders um zehn Minuten.
• Volatilität und negative Emotionen spielen in den SHAP-Erklärungen eine wichtige Rolle.

Schlagwörter

# Overreaction as an indicator for momentum in algorithmic trading: A Case of AAPL stocks


# Overreaction as an indicator for momentum in algorithmic trading: A Case of AAPL stocks









This paper investigates whether short-term market overreactions can be systematically predicted and monetized as momentum signals using high-frequency emotional information and modern machine learning methods. Focusing on Apple Inc. (AAPL), we construct a comprehensive intraday dataset that combines volatility normalized returns with transformer-based emotion features extracted from Twitter messages. Overreactions are defined as extreme return realizations relative to contemporaneous volatility and transaction costs and are modeled as a three-class prediction problem. We evaluate the performance of several nonlinear classifiers, including XGBoost, Random Forests, Deep Neural Networks, and Bidirectional LSTMs, across multiple intraday frequencies (1, 5, 10, and 15 minute data). Model outputs are translated into trading strategies and assessed using risk-adjusted performance measures and formal statistical tests. The results show that machine learning models significantly outperform benchmark overreaction rules at ultra short horizons, while classical behavioral momentum effects dominate at intermediate frequencies, particularly around 10 minutes. Explainability analysis based on SHAP reveals that volatility and negative emotions, especially fear and sadness, play a central role in driving predicted overreactions. Overall, the findings demonstrate that emotion-driven overreactions contain a predictable structure that can be exploited by machine learning models, offering new insights into the behavioral origins of intraday momentum and the interaction between sentiment, volatility, and algorithmic trading.

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.