Настроения в новостях и временные ряды для торговли S&P 500

Сводка

В исследовании описан торговый подход, сочетающий анализ настроений в финансовых новостях с техническими индикаторами и прогнозированием временных рядов. Для анализа настроений используются GPT-2 и FinBERT; полученные сигналы объединяются с показателями импульса и тренда, а стратегии сравниваются с моделями ARIMA и ETS, а также с эталоном «купить и держать». Результативность оценивается по стоимости активов и доходности.

В документе сообщается, что сочетание сигналов настроений с традиционными моделями улучшило результаты торговли в рамках оценки; авторы представляют метод как способ реагировать на меняющиеся рыночные условия. Не приведены даты выборки, подробные правила стратегии, численные результаты или статистические тесты, поэтому по описанию нельзя оценить силу и общую применимость вывода. Данные относятся к S&P 500; они не подтверждают применимость подхода к другим рынкам или его эффективность после учета торговых издержек.

Ключевые идеи

• Подход объединяет анализ настроений в финансовых новостях с техническими индикаторами и моделями временных рядов.
• GPT-2 и FinBERT используются для получения сигналов настроений из новостей.
• В оценке комбинированные стратегии сравниваются с подходом «купить и держать» и подходами на основе настроений.
• В описании нет численных результатов заявленного улучшения или подробных сведений о проверке.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.