שילוב סנטימנט חדשות ומודלי סדרות עתיות למסחר ב־S&P 500

סיכום

המחקר מתאר גישת מסחר המשלבת סנטימנט שחולץ מחדשות פיננסיות עם אינדיקטורים טכניים וחיזוי של סדרות עתיות. הוא משתמש ב־GPT-2 וב־FinBERT לניתוח סנטימנט, משלב את האותות שהתקבלו עם מדדי מומנטום ומגמה, ומעריך אסטרטגיות לצד מודלי ARIMA ו־ETS ומדד ייחוס של קנייה והחזקה. הביצועים מוערכים באמצעות שווי נכסים ותשואות.

המסמך מדווח ששילוב אותות סנטימנט עם מודלים מסורתיים שיפר את ביצועי המסחר בהערכה שלו, ומציג את השיטה כאמצעי להגיב לתנאי שוק משתנים. הוא אינו מציין תאריכי מדגם, כללי אסטרטגיה מפורטים, תוצאות ביצועים מספריות או מבחנים סטטיסטיים, ולכן אי אפשר להעריך מהתיאור את עוצמת הממצא ואת מידת הכלליות שלו. הראיות מתייחסות למדד S&P 500; הן אינן קובעות שהגישה מתאימה לשווקים אחרים או נותרת יעילה לאחר עלויות מסחר.

רעיונות מרכזיים

• הגישה משלבת סנטימנט מחדשות פיננסיות עם אינדיקטורים טכניים ומודלי סדרות עתיות.
• GPT-2 ו־FinBERT משמשים להפקת אותות סנטימנט מחדשות.
• ההערכה משווה אסטרטגיות משולבות לקנייה והחזקה ולגישות מבוססות סנטימנט.
• התיאור אינו כולל תוצאות מספריות או מידע מפורט על אימות השיפור המדווח.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.