Uso de reacciones emocionales exageradas para predecir el impulso intradía de AAPL

Resumen

Este artículo estudia si las reacciones exageradas a los precios intradía de las acciones de Apple pueden predecirse y negociarse como señales de impulso. Combina rendimientos normalizados por volatilidad con características emocionales derivadas de mensajes de Twitter, define las reacciones exageradas en relación con la volatilidad contemporánea y los costes de transacción, y plantea la predicción como una tarea de clasificación de tres clases. Los enfoques probados incluyen modelos basados en árboles, redes neuronales y LSTM bidireccionales en varias frecuencias de muestreo intradía.

El artículo informa de que los modelos de aprendizaje automático superan las reglas de referencia sobre reacciones exageradas en los horizontes más cortos, mientras que los efectos clásicos del impulso conductual son más fuertes en frecuencias intermedias, especialmente alrededor de diez minutos. El análisis SHAP identifica la volatilidad y las emociones negativas, en especial el miedo y la tristeza, como predictores importantes. Las estrategias se evalúan con medidas ajustadas al riesgo y pruebas estadísticas, pero la información proporcionada no incluye resultados numéricos de rendimiento ni pruebas más allá de AAPL, por lo que no está clara su generalización a otras acciones y periodos.

Ideas clave

• El estudio predice tres clases de reacciones exageradas mediante rendimientos normalizados y características emocionales.
• Compara clasificadores no lineales en varias frecuencias intradía.
• Según el artículo, los modelos de aprendizaje automático superan las reglas de referencia en los horizontes más cortos.
• Se informa que el impulso conductual clásico predomina en frecuencias intermedias, especialmente alrededor de diez minutos.
• La volatilidad y las características de emociones negativas destacan en las explicaciones SHAP.

Etiquetas

# 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.

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.