Sentimiento de noticias y modelos de series temporales para operar con el S&P 500

Resumen

El estudio describe un enfoque de trading que combina el sentimiento extraído de noticias financieras con indicadores técnicos y pronósticos de series temporales. Utiliza GPT-2 y FinBERT para analizar el sentimiento, combina las señales obtenidas con medidas de momentum y tendencia, y evalúa estrategias junto con modelos ARIMA y ETS y una referencia de comprar y mantener. El rendimiento se evalúa mediante el valor de los activos y sus rendimientos.

El documento afirma que, en su evaluación, combinar señales de sentimiento con modelos tradicionales mejoró el rendimiento de trading, y presenta el método como una forma de responder a los cambios en las condiciones del mercado. No aporta fechas de la muestra, reglas detalladas de la estrategia, resultados numéricos de rendimiento ni pruebas estadísticas, por lo que la descripción no permite evaluar la solidez ni la generalidad del hallazgo. Las pruebas corresponden al S&P 500; no demuestran que el enfoque sea aplicable a otros mercados ni que siga siendo eficaz después de los costes de trading.

Ideas clave

• El enfoque combina el sentimiento de las noticias financieras con indicadores técnicos y modelos de series temporales.
• Se utilizan GPT-2 y FinBERT para obtener señales de sentimiento a partir de noticias.
• La evaluación compara estrategias combinadas con comprar y mantener y con enfoques basados en el sentimiento.
• La descripción no ofrece resultados numéricos ni información detallada de validación sobre la mejora presentada.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.