본문으로 건너뛰기
라이브러리 문서 전체

뉴스 심리와 시계열 모형을 결합한 S&P 500 트레이딩

기사 arXiv papers · 저자: Haojie Liu et al.
원문 읽기

요약

이 연구는 금융 뉴스에서 추출한 심리를 기술적 지표 및 시계열 예측과 결합하는 트레이딩 접근법을 설명합니다. 심리 분석에는 GPT-2와 FinBERT를 사용하고, 도출된 신호를 모멘텀 및 추세 지표와 결합합니다. ARIMA 및 ETS 모형, 매수 후 보유 기준과 함께 전략을 평가합니다. 성과는 자산 가치와 수익률로 측정합니다.

문서는 평가에서 심리 신호와 전통적 모형을 결합하면 트레이딩 성과가 개선되었다고 보고하며, 시장 상황 변화에 대응하는 방법으로 제시합니다. 표본 날짜, 구체적인 전략 규칙, 수치 성과, 통계 검정은 없어 결과의 강도와 일반성을 평가할 수 없습니다. 근거는 S&P 500에 한정됩니다. 다른 시장에 적용되거나 거래 비용 차감 후에도 효과가 지속된다는 점은 입증되지 않았습니다.

핵심 아이디어

  • 금융 뉴스 심리와 기술적 지표, 시계열 모형을 결합합니다.
  • 뉴스에서 심리 신호를 도출하는 데 GPT-2와 FinBERT를 사용합니다.
  • 평가에서는 결합 전략을 매수 후 보유 및 심리 기반 접근법과 비교합니다.
  • 보고된 개선에 대한 수치 결과와 상세한 검증 정보는 설명에 없습니다.

태그

주식시장 심리머신러닝기술 지표백테스트미국 시장
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.