Déduire le sentiment des actualités financières à partir de la volatilité des prix

Résumé

PrivySense propose d’estimer le sentiment des actualités financières à partir de la volatilité observée des prix. Cette approche inverse le schéma classique décrit dans l’article, où des classificateurs de sentiment sont entraînés sur des textes annotés par des humains, puis utilisés pour éclairer le trading de titres. Le travail examine aussi les classificateurs de sentiment existants et s’interroge sur la manière de définir le sentiment dans un contexte de trading.

Les auteurs examinent de manière critique le recours aux annotations humaines, estimant que les choix d’étiquetage peuvent introduire un biais subjectif dans les données de sentiment des actualités financières. L’article situe cette question dans le processus plus large de classification supervisée du sentiment : les modèles sont entraînés sur des corpus annotés, évalués sur des textes mis de côté, puis éventuellement évalués au moyen de stratégies de trading comparées à des références. Toutefois, le texte fourni ne détaille pas la méthode d’estimation fondée sur la volatilité, ne présente pas de comparaisons entre classificateurs ni de résultats de trading, et n’établit pas que la volatilité fournisse une étiquette de sentiment fiable. Le résumé présente donc une méthode proposée et une critique de la mesure, mais laisse sa solidité empirique et ses limites pratiques sans réponse.

Idées clés

• L’article propose d’utiliser la volatilité des prix pour déduire le sentiment exprimé dans les actualités financières.
• Cette approche inverse le sens habituel, qui consiste à utiliser le sentiment des actualités étiquetées pour étudier les résultats des marchés.
• Le travail examine comment évaluer les classificateurs de sentiment et définir le sentiment dans un contexte de trading.
• Les annotations humaines peuvent introduire un biais subjectif dans les étiquettes de sentiment.
• La description fournie ne donne ni détails sur la méthode ni résultats de performance empirique pour l’estimateur proposé.

Étiquettes

# 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.

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.