معامله سهام با احساسات Twitter و یادگیری Q

خلاصه

این مطالعه بررسی می‌کند که آیا احساسات روزانه Twitter می‌تواند به پیش‌بینی بازده سهام و پشتیبانی از تصمیم‌های معاملاتی کمک کند. یادگیری ماشین را برای ارزیابی سیگنال احساسات با یادگیری تقویتی، به‌ویژه یادگیری Q، ترکیب می‌کند تا از آن سیگنال یک سیاست معاملاتی استخراج کند.

نتایج گزارش‌شده نشان می‌دهند که احساسات برای شرکت‌هایی که قیمت سهامشان بازتاب انتظار رشد آینده است و نیز در حوالی رویدادهای مهمِ جلب‌کننده توجه عمومی، قدرت پیش‌بینی بیشتری دارد. گزارش شده است که استراتژی یادگیری Q از استراتژی مبتنی بر پیش‌بینی‌های یادگیری ماشین بهتر عمل می‌کند. سند جزئیاتی درباره نمونه، ارقام عملکرد، تحلیل هزینه‌های معامله یا شیوه اعتبارسنجی استراتژی‌ها ارائه نمی‌کند؛ بنابراین از این شرح به‌تنهایی نمی‌توان قدرت نتایج و کاربردپذیری آن‌ها در دنیای واقعی را ارزیابی کرد.

ایده‌های کلیدی

• احساسات روزانه Twitter به‌عنوان سیگنالی برای پیش‌بینی بازده سهام ارزیابی می‌شود.
• از یادگیری Q برای تبدیل سیگنال احساسات به سیاست معاملاتی استفاده می‌شود.
• قدرت پیش‌بینی گزارش‌شده برای سهامی که انتظارات رشد محرک آن‌هاست و در حوالی رویدادهای مهم عمومی بیشتر است.
• گزارش شده است که استراتژی یادگیری تقویتی از معامله مستقیم بر اساس پیش‌بینی‌های یادگیری ماشین بهتر عمل می‌کند.

برچسب‌ها

# Trading the Twitter Sentiment with Reinforcement Learning


# Trading the Twitter Sentiment with Reinforcement Learning









This paper is to explore the possibility to use alternative data and artificial intelligence techniques to trade stocks. The efficacy of the daily Twitter sentiment on predicting the stock return is examined using machine learning methods. Reinforcement learning(Q-learning) is applied to generate the optimal trading policy based on the sentiment signal. The predicting power of the sentiment signal is more significant if the stock price is driven by the expectation of the company growth and when the company has a major event that draws the public attention. The optimal trading strategy based on reinforcement learning outperforms the trading strategy based on the machine learning prediction.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.