跳至正文
返回文库全部文档

结合新闻情绪与时间序列模型进行标普500交易

文章 arXiv papers · 作者: Haojie Liu et al.
阅读原文

总结

本研究介绍一种结合金融新闻情绪、技术指标和时间序列预测的交易方法。研究使用GPT-2和FinBERT进行情绪分析，将所得信号与动量和趋势指标结合，并将相关策略与ARIMA和ETS模型及买入并持有基准一同评估。表现根据资产价值和收益衡量。

文档报告称，在其评估中，将情绪信号与传统模型结合提高了交易表现，并将该方法定位为应对市场状况变化的方式。文档没有给出样本日期、详细策略规则、数值表现结果或统计检验，因此无法根据描述评估这一发现的可信度和普遍性。证据仅适用于标普500；这并不能证明该方法适用于其他市场，或在计入交易成本后仍然有效。

核心观点

  • 该方法结合金融新闻情绪、技术指标和时间序列模型。
  • 研究使用GPT-2和FinBERT从新闻中提取情绪信号。
  • 评估将组合策略与买入并持有策略及基于情绪的方法进行比较。
  • 描述没有提供数值结果和详细验证信息，因此无法评估所报告改进的程度。

标签

股票市场情绪机器学习技术指标回测美国市场
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。