Dùng biến động giá để suy luận tâm lý tin tức tài chính

Tóm tắt

PrivySense đề xuất ước tính tâm lý trong tin tức tài chính thông qua biến động giá quan sát được. Cách tiếp cận này đảo ngược quy trình thông thường được mô tả trong bài báo, trong đó bộ phân loại tâm lý được huấn luyện trên văn bản do con người gán nhãn rồi dùng để hỗ trợ giao dịch chứng khoán. Nghiên cứu cũng xem xét các bộ phân loại tâm lý hiện có và đặt câu hỏi nên định nghĩa tâm lý thế nào trong bối cảnh giao dịch.

Các tác giả xem xét kỹ việc sử dụng chú giải của con người, cho rằng lựa chọn gán nhãn có thể đưa thiên lệch chủ quan vào dữ liệu tâm lý tin tức tài chính. Bài báo đặt vấn đề này trong quy trình rộng hơn của phân loại tâm lý có giám sát: mô hình được huấn luyện trên các kho văn bản đã gán nhãn, đánh giá trên văn bản giữ lại và sau đó có thể được đánh giá thông qua các chiến lược giao dịch so với chuẩn đối chiếu. Tuy nhiên, văn bản được cung cấp không trình bày chi tiết quy trình ước tính dựa trên biến động, không báo cáo so sánh bộ phân loại hay kết quả giao dịch, cũng không xác lập rằng biến động là nhãn tâm lý đáng tin cậy. Vì vậy, phần tóm tắt phác thảo một phương pháp đề xuất và phê bình cách đo lường, nhưng chưa làm rõ sức mạnh thực nghiệm cũng như giới hạn thực tế của phương pháp.

Ý chính

• Bài báo đề xuất dùng biến động giá để suy luận tâm lý thể hiện trong tin tức tài chính.
• Cách tiếp cận này đảo ngược hướng phổ biến là dùng tâm lý tin tức đã gán nhãn để nghiên cứu kết quả thị trường.
• Nghiên cứu xem xét cách đánh giá bộ phân loại tâm lý và định nghĩa tâm lý trong bối cảnh giao dịch.
• Việc con người gán nhãn có thể đưa thiên lệch chủ quan vào nhãn tâm lý.
• Mô tả được cung cấp không có chi tiết về phương pháp hoặc kết quả hiệu quả thực nghiệm của bộ ước lượng đề xuất.

Thẻ

# 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.

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.