Combinação de sentimento de notícias e séries temporais no trading do S&P 500
Resumo
O estudo descreve uma abordagem de trading que combina sentimento extraído de notícias financeiras, indicadores técnicos e previsões de séries temporais. Usa GPT-2 e FinBERT para análise de sentimento, combina os sinais resultantes com medidas de momentum e tendência e avalia estratégias junto com modelos ARIMA e ETS e uma referência de compra e manutenção. O desempenho é avaliado usando valores de ativos e retornos.
O documento relata que combinar sinais de sentimento com modelos tradicionais melhorou o desempenho de trading na avaliação e apresenta o método como uma forma de responder às mudanças nas condições de mercado. Não informa datas da amostra, regras detalhadas da estratégia, resultados numéricos de desempenho nem testes estatísticos; portanto, não é possível avaliar com base na descrição a força ou a generalidade do resultado. As evidências se referem especificamente ao S&P 500; não demonstram que a abordagem se aplique a outros mercados ou continue eficaz após os custos de negociação.
Ideias principais
- A abordagem combina sentimento de notícias financeiras com indicadores técnicos e modelos de séries temporais.
- GPT-2 e FinBERT são usados para extrair sinais de sentimento das notícias.
- A avaliação compara estratégias combinadas com compra e manutenção e abordagens baseadas em sentimento.
- A descrição não apresenta resultados numéricos nem informações detalhadas de validação para a melhoria relatada.
Tags
Texto completo
# 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.
Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.