Combiner sentiment des actualités et modèles de séries temporelles pour le trading sur S&P 500

Résumé

L’étude décrit une approche de trading qui combine le sentiment extrait des actualités financières avec des indicateurs techniques et des prévisions de séries temporelles. Elle utilise GPT-2 et FinBERT pour l’analyse de sentiment, associe les signaux obtenus à des mesures de momentum et de tendance, puis évalue les stratégies aux côtés des modèles ARIMA et ETS et d’une référence achat-conservation. La performance est évaluée à partir de la valeur des actifs et des rendements.

Le document indique que la combinaison de signaux de sentiment avec des modèles traditionnels a amélioré la performance de trading dans son évaluation, et présente la méthode comme un moyen de réagir à l’évolution des conditions de marché. Il ne fournit ni dates d’échantillonnage, ni règles détaillées de stratégie, ni résultats de performance chiffrés, ni tests statistiques ; la solidité et la portée générale du résultat ne peuvent donc pas être évaluées à partir de cette description. Les éléments probants concernent spécifiquement le S&P 500 ; ils n’établissent pas que l’approche se transpose à d’autres marchés ou reste efficace après les coûts de trading.

Idées clés

• L’approche combine le sentiment des actualités financières, des indicateurs techniques et des modèles de séries temporelles.
• GPT-2 et FinBERT servent à extraire des signaux de sentiment des actualités.
• L’évaluation compare les stratégies combinées à l’achat-conservation et aux approches fondées sur le sentiment.
• L’amélioration rapportée n’est accompagnée dans la description ni de résultats chiffrés ni d’informations détaillées sur la validation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.