Dùng phản ứng thái quá cảm xúc để dự báo động lượng AAPL trong ngày

Tóm tắt

Bài nghiên cứu xem xét liệu có thể dự báo và giao dịch theo tín hiệu động lượng từ các phản ứng thái quá của giá cổ phiếu Apple trong ngày hay không. Nghiên cứu kết hợp lợi suất đã chuẩn hóa theo biến động với các đặc trưng cảm xúc rút ra từ tin nhắn Twitter, xác định phản ứng thái quá dựa trên biến động và chi phí giao dịch cùng thời điểm, rồi mô hình hóa việc dự báo thành bài toán phân loại ba lớp. Các phương pháp được thử nghiệm gồm mô hình dựa trên cây, mạng nơ-ron và LSTM hai chiều ở một số tần suất lấy mẫu trong ngày.

Bài nghiên cứu cho biết các mô hình học máy vượt trội hơn các quy tắc phản ứng thái quá đối chứng ở những khoảng thời gian ngắn nhất, trong khi hiệu ứng động lượng hành vi cổ điển mạnh hơn ở tần suất trung gian, đặc biệt quanh mức mười phút. Phân tích SHAP xác định biến động và cảm xúc tiêu cực, nhất là sợ hãi và buồn bã, là các yếu tố dự báo quan trọng. Các chiến lược được đánh giá bằng thước đo đã điều chỉnh theo rủi ro và kiểm định thống kê, nhưng phần mô tả không cung cấp kết quả hiệu suất bằng số hay bằng chứng ngoài AAPL, nên chưa rõ liệu kết quả có khái quát sang cổ phiếu và giai đoạn khác hay không.

Ý chính

• Nghiên cứu dự báo ba lớp phản ứng thái quá bằng lợi suất chuẩn hóa và các đặc trưng cảm xúc.
• Nghiên cứu so sánh các bộ phân loại phi tuyến ở nhiều tần suất trong ngày.
• Các mô hình học máy được báo cáo là vượt trội hơn quy tắc đối chứng ở những khoảng thời gian ngắn nhất.
• Động lượng hành vi cổ điển được báo cáo là chiếm ưu thế ở tần suất trung gian, nhất là quanh mức mười phút.
• Các đặc trưng về biến động và cảm xúc tiêu cực nổi bật trong phần giải thích SHAP.

Thẻ

# 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.

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.