コンテンツへスキップ
ライブラリの全資料

ニュース感情分析と時系列モデルによるS&P 500取引

記事 arXiv papers · 著者: Haojie Liu et al.
原文を読む

サマリー

本研究は、金融ニュースから抽出したセンチメントをテクニカル指標や時系列予測と組み合わせる取引手法を説明しています。センチメント分析にはGPT-2とFinBERTを用い、得られたシグナルをモメンタムやトレンド指標と組み合わせています。戦略をARIMAおよびETSモデル、バイ・アンド・ホールドのベンチマークと比較評価し、資産価値とリターンで成績を測定しています。

文書では、センチメント・シグナルを従来モデルと組み合わせることで、評価上の取引成績が改善したと報告し、市場環境の変化に対応する手法として位置付けています。サンプル日付、詳細な戦略規則、定量的な成績、統計検定は示されていないため、記述から結果の強さや一般性を評価することはできません。証拠はS&P 500に関するものであり、他市場への適用可能性や取引コスト控除後の有効性を立証していません。

主なアイデア

  • 金融ニュースのセンチメントを、テクニカル指標と時系列モデルに組み合わせています。
  • ニュースからセンチメント・シグナルを導くため、GPT-2とFinBERTを用いています。
  • 統合戦略をバイ・アンド・ホールドやセンチメントを用いる手法と比較しています。
  • 説明には改善の数値結果や詳細な検証情報がありません。

タグ

株式センチメント機械学習テクニカル指標バックテスト米国市場
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。