Прогноз внутридневного моментума AAPL по эмоциональным реакциям

Сводка

В статье изучается, можно ли прогнозировать внутридневные чрезмерные реакции цены акций Apple и торговать на их основе как на сигналах моментума. Доходность, нормированная по волатильности, объединяется с признаками эмоций из сообщений Twitter; чрезмерные реакции определяются относительно текущей волатильности и транзакционных издержек, а задача прогнозирования формулируется как классификация на три класса. Проверяются модели на основе деревьев, нейронные сети и двунаправленные LSTM при нескольких частотах внутридневной выборки.

Согласно статье, на самых коротких горизонтах модели машинного обучения превосходят эталонные правила для чрезмерных реакций, тогда как классические поведенческие эффекты моментума сильнее на промежуточных частотах, особенно около десяти минут. Анализ SHAP указывает, что важными предикторами являются волатильность и отрицательные эмоции, прежде всего страх и грусть. Стратегии оцениваются с помощью скорректированных на риск метрик и статистических тестов, однако в представленном описании нет численных результатов и данных помимо AAPL, поэтому возможность обобщения на другие акции и периоды остается неясной.

Ключевые идеи

• В исследовании прогнозируются три класса чрезмерных реакций с использованием нормированной доходности и эмоциональных признаков.
• Нелинейные классификаторы сравниваются на нескольких внутридневных частотах.
• По сообщению авторов, на самых коротких горизонтах модели машинного обучения превосходят эталонные правила.
• Согласно результатам, на промежуточных частотах, особенно около десяти минут, преобладает классический поведенческий моментум.
• В объяснениях SHAP заметную роль играют волатильность и отрицательные эмоции.

Теги

# 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.

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.