본문으로 건너뛰기
라이브러리 문서 전체

감정적 과잉 반응으로 장중 AAPL 모멘텀 예측

기사 arXiv papers · 저자: Szymon Lis et al.
원문 읽기

요약

이 논문은 애플 주가의 장중 과잉 반응을 예측해 모멘텀 신호로 활용할 수 있는지 연구합니다. 변동성으로 정규화한 수익률과 트위터 메시지에서 도출한 감정 특성을 결합하고, 동시점 변동성 및 거래 비용을 기준으로 과잉 반응을 정의합니다. 예측 문제는 3개 클래스로 분류하도록 설정합니다. 여러 장중 표본 주기에서 트리 기반 모형, 신경망, 양방향 장단기 기억 신경망을 시험합니다.

논문은 가장 짧은 시간 구간에서 머신러닝 모형이 기준 과잉 반응 규칙보다 뛰어난 성능을 보인 반면, 전통적인 행동 모멘텀 효과는 중간 주기, 특히 약 10분 구간에서 더 강했다고 보고합니다. SHAP 분석에서는 변동성과 부정적 감정, 특히 두려움과 슬픔이 중요한 예측 변수로 확인됩니다. 위험 조정 지표와 통계 검정으로 전략을 평가했지만, 제공된 설명에는 수치 성과 결과가 없고 AAPL을 넘어서는 근거도 없어 다른 주식과 기간에 일반화할 수 있는지는 불분명합니다.

핵심 아이디어

  • 정규화한 수익률과 감정 특성으로 세 가지 과잉 반응 유형을 예측합니다.
  • 여러 장중 주기에 걸쳐 비선형 분류기를 비교합니다.
  • 머신러닝 모형은 가장 짧은 시간 구간에서 기준 규칙보다 나은 성능을 보였다고 보고합니다.
  • 전통적인 행동 모멘텀은 중간 주기, 특히 약 10분에서 더 강한 것으로 보고됩니다.
  • 변동성과 부정적 감정 특성이 SHAP 설명에서 두드러집니다.

태그

주식모멘텀머신러닝시장 심리변동성백테스트
전문
# 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.

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

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