Prévoir le momentum intrajournalier de AAPL à partir des réactions émotionnelles excessives

Résumé

Cet article étudie si les réactions excessives des cours des actions Apple en cours de séance peuvent être prévues et négociées comme des signaux de momentum. Il combine des rendements normalisés par la volatilité et des caractéristiques émotionnelles tirées de messages Twitter, définit les réactions excessives par rapport à la volatilité observée au même moment et aux coûts de transaction, puis formule la prédiction comme une classification en trois catégories. Les approches testées comprennent des modèles fondés sur des arbres, des réseaux neuronaux et des LSTM bidirectionnels, à plusieurs fréquences d’échantillonnage intrajournalières.

L’article rapporte que les modèles d’apprentissage automatique surpassent les règles de référence fondées sur les réactions excessives aux horizons les plus courts, tandis que les effets comportementaux classiques de momentum sont plus marqués aux fréquences intermédiaires, notamment autour de dix minutes. L’analyse SHAP désigne la volatilité et les émotions négatives, en particulier la peur et la tristesse, comme des prédicteurs importants. Les stratégies sont évaluées à l’aide de mesures ajustées au risque et de tests statistiques, mais le compte rendu fourni ne donne aucun résultat numérique de performance ni aucune preuve au-delà de AAPL ; la généralisation à d’autres actions et périodes reste donc incertaine.

Idées clés

• L’étude prédit trois catégories de réactions excessives à partir de rendements normalisés et de caractéristiques émotionnelles.
• Elle compare des classificateurs non linéaires à plusieurs fréquences intrajournalières.
• Selon les résultats rapportés, les modèles d’apprentissage automatique surpassent les règles de référence aux horizons les plus courts.
• Les résultats indiquent que le momentum comportemental classique domine aux fréquences intermédiaires, surtout autour de dix minutes.
• Les caractéristiques de volatilité et d’émotion négative ressortent dans les explications SHAP.

Étiquettes

# 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.

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.