Inferir sentimento em notícias financeiras pela volatilidade dos preços

Resumo

O PrivySense propõe estimar o sentimento em notícias financeiras por meio da volatilidade observada dos preços. Isso inverte a abordagem convencional descrita no artigo, na qual classificadores de sentimento são treinados com textos rotulados por pessoas e depois usados para orientar a negociação de títulos. O trabalho também examina classificadores de sentimento existentes e questiona como o sentimento deve ser definido no contexto de trading.

Os autores analisam criticamente o uso de anotações humanas e argumentam que as escolhas de rotulagem podem introduzir viés subjetivo nos dados de sentimento de notícias financeiras. O artigo situa essa questão no fluxo mais amplo da classificação supervisionada de sentimentos: os modelos são treinados em corpora anotados, avaliados em textos separados e podem então ser avaliados por meio de estratégias de trading em comparação com referências. No entanto, o texto fornecido não detalha o procedimento de estimação baseado em volatilidade, não apresenta comparações entre classificadores nem resultados de trading e não demonstra que a volatilidade forneça um rótulo confiável de sentimento. Portanto, o resumo apresenta um método proposto e uma crítica à mensuração, mas deixa em aberto sua força empírica e seus limites práticos.

Ideias principais

• O artigo propõe inferir, pela volatilidade dos preços, o sentimento expresso em notícias financeiras.
• Essa abordagem inverte a prática comum de usar o sentimento rotulado das notícias para estudar resultados de mercado.
• O trabalho examina como avaliar classificadores de sentimento e definir sentimento no contexto de trading.
• Anotações humanas podem introduzir viés subjetivo nos rótulos de sentimento.
• A descrição fornecida não detalha o método nem apresenta resultados de desempenho empírico para o estimador proposto.

Tags

# 1801.00091


# PrivySense: $\underline{Pri}$ce $\underline{V}$olatilit$\underline{y}$ based $\underline{Sen}$timent$\underline{s}$ $\underline{E}$stimation from Financial News using Machine Learning









As machine learning ascends the peak of computer science zeitgeist, the usage and experimentation with sentiment analysis using various forms of textual data seems pervasive. The effect is especially pronounced in formulating securities trading strategies, due to a plethora of reasons including the relative ease of implementation and the abundance of academic research suggesting automated sentiment analysis can be productively used in trading strategies. The source data for such analyzers ranges a broad spectrum like social media feeds, micro-blogs, real-time news feeds, ex-post financial data etc. The abstract technique underlying these analyzers involve supervised learning of sentiment classification where the classifier is trained on annotated source corpus, and accuracy is measured by testing how well the classifiers generalizes on unseen test data from the corpus. Post training, and validation of fitted models, the classifiers are used to execute trading strategies, and the corresponding returns are compared with appropriate benchmark returns (for e.g., the S&P500 returns). In this paper, we introduce $\underline{a\ novel\ technique\ of\ using\ price\ volatilities\ to\ empirically\ determine\ the\ sentiment\ in\ news\ data}$, instead of the traditional reverse approach. We also perform meta sentiment analysis by evaluating the efficacy of existing sentiment classifiers and the precise definition of sentiment from securities trading context. We scrutinize the efficacy of using human-annotated sentiment classification and the tacit assumptions that introduces subjective bias in existing financial news sentiment classifiers.

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.