Inferir el sentimiento de noticias financieras a partir de la volatilidad de precios

Resumen

PrivySense propone estimar el sentimiento de las noticias financieras mediante la volatilidad observada de los precios. Esto invierte el enfoque convencional descrito en el artículo, en el que se entrenan clasificadores de sentimiento con textos etiquetados por personas y luego se usan para orientar el trading de valores. El trabajo también examina clasificadores de sentimiento existentes y plantea cómo debería definirse el sentimiento en un contexto de trading.

Los autores cuestionan el uso de anotaciones humanas y sostienen que las decisiones de etiquetado pueden introducir sesgo subjetivo en los datos de sentimiento de noticias financieras. El artículo sitúa esta cuestión en el flujo de trabajo más amplio de la clasificación supervisada de sentimiento: los modelos se entrenan con corpus anotados, se evalúan con textos reservados y luego pueden evaluarse mediante estrategias de trading frente a referencias. Sin embargo, el texto disponible no detalla el procedimiento de estimación basado en la volatilidad, no presenta comparaciones entre clasificadores ni resultados de trading, y tampoco demuestra que la volatilidad proporcione una etiqueta fiable de sentimiento. Por tanto, el resumen presenta un método propuesto y una crítica de medición, pero deja sin resolver su solidez empírica y sus límites prácticos.

Ideas clave

• El artículo propone inferir el sentimiento expresado en las noticias financieras a partir de la volatilidad de los precios.
• Este enfoque invierte la dirección habitual de usar el sentimiento de noticias etiquetadas para estudiar los resultados del mercado.
• El trabajo examina cómo evaluar los clasificadores de sentimiento y definir el sentimiento en un contexto de trading.
• La anotación humana puede introducir sesgo subjetivo en las etiquetas de sentimiento.
• La descripción disponible no ofrece detalles del método ni resultados de rendimiento empírico del estimador propuesto.

Etiquetas

# 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.

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.