Оценка настроений в финансовых новостях по волатильности цен

Сводка

PrivySense предлагает оценивать тональность финансовых новостей по наблюдаемой волатильности цен. Это меняет направление традиционного подхода, описанного в статье: классификаторы тональности обучаются на текстах с человеческой разметкой, а затем используются для принятия торговых решений по ценным бумагам. В работе также рассматриваются существующие классификаторы тональности и вопрос о том, как определять тональность в контексте торговли.

Авторы критически оценивают использование человеческой разметки и утверждают, что выбор правил разметки может вносить субъективное смещение в данные о тональности финансовых новостей. Статья рассматривает эту проблему в контексте всего процесса обучения классификатора с учителем: модели обучаются на размеченных корпусах, оцениваются на отложенных текстах, а затем могут тестироваться с помощью торговых стратегий относительно бенчмарков. Однако в предоставленном тексте не описана процедура оценки на основе волатильности, не приведены сравнения классификаторов или результаты торговли и не доказано, что волатильность даёт надёжную метку тональности. Таким образом, в аннотации изложены предлагаемый метод и критика измерения, но эмпирическая убедительность и практические ограничения остаются неясными.

Ключевые идеи

• В статье предлагается определять тональность финансовых новостей по волатильности цен.
• Такой подход меняет распространённое направление использования тональности размеченных новостей для изучения рыночных результатов.
• В работе рассматривается, как оценивать классификаторы тональности и определять тональность в контексте торговли.
• Человеческая разметка может вносить субъективное смещение в метки тональности.
• В предоставленном описании нет подробностей метода или результатов эмпирической оценки предлагаемого метода.

Теги

# 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.

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.