コンテンツへスキップ
ライブラリの全資料

感情的な過剰反応で日中のAAPLモメンタムを予測

記事 arXiv papers · 著者: Szymon Lis et al.
原文を読む

サマリー

本論文は、Apple株の日中価格の過剰反応を予測し、モメンタムのシグナルとして取引できるかを検討します。ボラティリティで正規化したリターンと、Twitter投稿から得た感情特徴量を組み合わせ、同時点のボラティリティと取引コストを基準に過剰反応を定義し、3クラス分類問題として予測します。複数の日中サンプリング頻度で、木ベースのモデル、ニューラルネットワーク、双方向LSTMを検証します。

機械学習モデルは最短時間軸でベンチマークの過剰反応ルールを上回る一方、古典的な行動モメンタム効果は中間的な頻度、特に約10分で強いと報告しています。SHAP分析では、ボラティリティと恐怖や悲しみなどの負の感情が重要な予測因子として示されます。戦略はリスク調整済み指標と統計検定で評価されていますが、提示された説明には数値成績やAAPL以外の証拠がなく、他の株式や期間への一般化は不明です。

主なアイデア

  • 正規化リターンと感情特徴量を用いて、過剰反応を3クラスに分類します。
  • 複数の日中頻度で非線形分類器を比較します。
  • 機械学習モデルは最短時間軸でベンチマークルールを上回ると報告されています。
  • 中間的な頻度、特に約10分では古典的な行動モメンタムが優位と報告されています。
  • SHAPによる説明では、ボラティリティと負の感情特徴量が目立ちます。

タグ

株式モメンタム機械学習センチメントボラティリティバックテスト
全文
# 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.

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。