Kursvolatilität zur Ermittlung der Stimmung in Finanznachrichten

Zusammenfassung

PrivySense schlägt vor, die Stimmung in Finanznachrichten anhand der beobachteten Kursvolatilität zu ermitteln. Damit kehrt die Arbeit den herkömmlichen Ansatz um, bei dem Sentiment-Klassifikatoren mit von Menschen annotierten Texten trainiert und anschließend für den Wertpapierhandel genutzt werden. Die Arbeit untersucht außerdem bestehende Sentiment-Klassifikatoren und fragt, wie Stimmung im Trading-Kontext definiert werden sollte.

Die Autoren hinterfragen den Einsatz menschlicher Annotationen und argumentieren, dass Entscheidungen bei der Kennzeichnung subjektive Verzerrungen in Daten zur Stimmung in Finanznachrichten verursachen können. Die Arbeit ordnet diese Frage in den umfassenderen Ablauf der überwachten Sentiment-Klassifikation ein: Modelle werden mit annotierten Korpora trainiert, anhand zurückgehaltener Texte bewertet und können anschließend über Handelsstrategien mit Benchmarks verglichen werden. Der vorliegende Text erläutert jedoch weder das volatilitätsbasierte Schätzverfahren noch berichtet er Vergleiche zwischen Klassifikatoren oder Handelsergebnisse; auch belegt er nicht, dass Volatilität ein zuverlässiges Stimmungssignal liefert. Das Abstract skizziert somit eine vorgeschlagene Methode und Kritik an der Messung, lässt aber deren empirische Aussagekraft und praktische Grenzen offen.

Kernaussagen

• Die Arbeit schlägt vor, die in Finanznachrichten ausgedrückte Stimmung anhand der Kursvolatilität zu ermitteln.
• Dieser Ansatz kehrt die übliche Richtung um, bei der gekennzeichnete Nachrichtenstimmung zur Untersuchung von Marktergebnissen dient.
• Die Arbeit untersucht, wie Sentiment-Klassifikatoren und Definitionen von Stimmung im Trading-Kontext bewertet werden sollten.
• Menschliche Annotationen können subjektive Verzerrungen in Stimmungskennzeichnungen einführen.
• Die vorliegende Beschreibung enthält weder Methodendetails noch empirische Performance-Ergebnisse zum vorgeschlagenen Schätzer.

Schlagwörter

# 1801.00091


# PrivySense: $\underline{Pri}$ce $\underline{V}$olatilit$\underline{y}$ based $\underline{Sen}$timent$\underline{s}$ $\underline{E}$stimation from Financial News using Machine Learning









As machine learning ascends the peak of computer science zeitgeist, the usage and experimentation with sentiment analysis using various forms of textual data seems pervasive. The effect is especially pronounced in formulating securities trading strategies, due to a plethora of reasons including the relative ease of implementation and the abundance of academic research suggesting automated sentiment analysis can be productively used in trading strategies. The source data for such analyzers ranges a broad spectrum like social media feeds, micro-blogs, real-time news feeds, ex-post financial data etc. The abstract technique underlying these analyzers involve supervised learning of sentiment classification where the classifier is trained on annotated source corpus, and accuracy is measured by testing how well the classifiers generalizes on unseen test data from the corpus. Post training, and validation of fitted models, the classifiers are used to execute trading strategies, and the corresponding returns are compared with appropriate benchmark returns (for e.g., the S&P500 returns). In this paper, we introduce $\underline{a\ novel\ technique\ of\ using\ price\ volatilities\ to\ empirically\ determine\ the\ sentiment\ in\ news\ data}$, instead of the traditional reverse approach. We also perform meta sentiment analysis by evaluating the efficacy of existing sentiment classifiers and the precise definition of sentiment from securities trading context. We scrutinize the efficacy of using human-annotated sentiment classification and the tacit assumptions that introduces subjective bias in existing financial news sentiment classifiers.

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.