Kết hợp tâm lý tin tức và mô hình chuỗi thời gian để giao dịch S&P 500

Tóm tắt

Nghiên cứu mô tả cách giao dịch kết hợp tâm lý trích xuất từ tin tức tài chính với các chỉ báo kỹ thuật và dự báo chuỗi thời gian. Nghiên cứu sử dụng GPT-2 và FinBERT để phân tích tâm lý, ghép các tín hiệu thu được với thước đo động lượng và xu hướng, rồi đánh giá chiến lược cùng các mô hình ARIMA, ETS và chuẩn mua rồi nắm giữ. Hiệu quả được đánh giá bằng giá trị tài sản và lợi nhuận.

Tài liệu báo cáo rằng kết hợp tín hiệu tâm lý với các mô hình truyền thống đã cải thiện hiệu quả giao dịch trong đánh giá của nghiên cứu, đồng thời mô tả phương pháp này như một cách ứng phó với điều kiện thị trường thay đổi. Tài liệu không nêu ngày lấy mẫu, quy tắc chiến lược chi tiết, kết quả hiệu quả bằng số hay kiểm định thống kê, nên không thể đánh giá độ mạnh và mức độ khái quát của phát hiện từ mô tả. Bằng chứng chỉ áp dụng cho S&P 500; nghiên cứu không xác lập rằng phương pháp này có thể chuyển sang thị trường khác hoặc vẫn hiệu quả sau chi phí giao dịch.

Ý chính

• Cách tiếp cận kết hợp tâm lý tin tức tài chính với chỉ báo kỹ thuật và mô hình chuỗi thời gian.
• GPT-2 và FinBERT được dùng để rút ra tín hiệu tâm lý từ tin tức.
• Đánh giá so sánh các chiến lược kết hợp với phương pháp mua rồi nắm giữ và các phương pháp dựa trên tâm lý.
• Mô tả về mức cải thiện được báo cáo không có kết quả bằng số hay thông tin kiểm định chi tiết.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.