Previsão de momentum intradiário com reações emocionais exageradas em AAPL

Resumo

Este artigo estuda se reações exageradas intradiárias nos preços das ações da Apple podem ser previstas e negociadas como sinais de momentum. Combina retornos normalizados pela volatilidade com características emocionais derivadas de mensagens no Twitter, define reações exageradas em relação à volatilidade contemporânea e aos custos de transação e formula a previsão como uma tarefa de classificação em três classes. As abordagens testadas incluem modelos baseados em árvores, redes neurais e LSTMs bidirecionais em várias frequências de amostragem intradiária.

O artigo relata que modelos de aprendizado de máquina superam regras de referência para reações exageradas nos horizontes mais curtos, enquanto os efeitos clássicos de momentum comportamental são mais fortes em frequências intermediárias, especialmente em torno de dez minutos. A análise SHAP identifica a volatilidade e emoções negativas, em especial medo e tristeza, como preditores importantes. As estratégias são avaliadas com medidas ajustadas ao risco e testes estatísticos, mas o relato fornecido não apresenta resultados numéricos de desempenho nem evidências além de AAPL; por isso, a generalização para outras ações e períodos continua incerta.

Ideias principais

• O estudo prevê três classes de reação exagerada usando retornos normalizados e características emocionais.
• Ele compara classificadores não lineares em várias frequências intradiárias.
• Segundo o estudo, modelos de aprendizado de máquina superam regras de referência nos horizontes mais curtos.
• Segundo o estudo, o momentum comportamental clássico predomina em frequências intermediárias, especialmente em torno de dez minutos.
• Volatilidade e características de emoções negativas se destacam nas explicações SHAP.

Tags

# 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.

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.