استراتژی های معاملاتی مبتنی بر اخبار

شگفتی بازارها در این واقعیت نهفته است که اطلاعات پراکنده فوراً پردازش می شود و برای تنظیم قیمت کالاها ، خدمات و دارایی ها استفاده می شود. بازارهای مالی به ویژه در مورد پردازش اطلاعات کارآمد هستند. چنین اطلاعاتی به طور معمول در اخبار متنی تعبیه شده است که پس از آن توسط سرمایه گذاران تفسیر می شود. اخیراً ، محققان به منظور توضیح حرکات قیمت سهام ، به طور خودکار احساسات خبری را تعیین کرده اند. جالب اینجاست که این احساسات به اصطلاح خبری در توضیح بازده سهام نسبتاً خوب عمل می کند. در این مقاله ، ما استراتژی های معاملاتی را طراحی می کنیم که از اخبار متنی برای به دست آوردن سود بر اساس اطلاعات جدید وارد بازار استفاده می کنند. بنابراین ما رویکردهایی را برای تصمیم گیری خودکار بر اساس یادگیری تحت نظارت و تقویت پیشنهاد می کنیم. در مجموع ، ما نشان می دهیم که چگونه داده های مبتنی بر اخبار می توانند در یک سیستم سرمایه گذاری گنجانیده شوند.

معرفی

بهره وری بازار تا حد زیادی به در دسترس بودن اطلاعات متکی است. امروزه ، به راحتی با شیوع بازارهای الکترونیکی به راحتی می توان به اطلاعات بازار دسترسی پیدا کرد. سپس ، تصمیم گیرندگان می توانند از چنین اطلاعاتی برای به حداکثر رساندن سود خریدها و فروش استفاده کنند (به عنوان مثال [1]). در همین زمینه ، چندین نشریه (به عنوان مثال [2] ، [3] ، [4]]) دریافت بازار اعلامیه های خبری ، یافتن یک رابطه علیت و به وضوح قابل اندازه گیری بین افشای مالی و واکنش بازار سهام را مطالعه می کنند. پذیرش بازار نه تنها با حقایق کمی تعبیه شده در افشای مالی شکل می گیرد ، بلکه مهمتر از همه ، واکنش های بازار سهام به افشای مالی توسط اطلاعات کیفی هدایت می شود ، زیرا اخبار به طور معمول در پیام های متنی تجسم می یابد. به منظور استخراج لحن از محتوای متنی ، اغلب با اندازه گیری احساسات به اصطلاح خبری ، قطبیت اخبار را اندازه گیری می کند. این نشان می دهد که چگونه محتوای روایت افشای [5] ، [6] ، [7] ، [8] ، [9] ، [10]] می تواند برای ارائه پشتیبانی تصمیم گیری برای سرمایه گذاران استفاده شود.

در حالی که تحقیقات قبلی [11] ، [12] ، [13] ، [14]] موفق به ایجاد پیوندی بین لحن اخبار و قیمت بازار سهام شدند ، مشخص نیست که چگونه سیگنال های احساساتی استخراج شده می تواند برای تسهیل تصمیمات سرمایه گذاری استفاده شود. برای بستن این شکاف ، این مقاله بررسی می کند که چگونه احساسات خبری ، به عنوان یک روند اخیر در حمایت از تصمیم گیری ، می تواند تجارت مبتنی بر اخبار را غنی سازد. تجارت اخبار داده های بازار در زمان واقعی و پردازش زبان طبیعی را برای تشخیص اعلامیه های خبری مناسب به منظور ایجاد معاملات ترکیب می کند. مکانیسم های آن اغلب بخشی از یک سیستم تجارت الگوریتمی است ، در حالی که بسیاری آن را به عنوان یک سیستم پشتیبانی تصمیم گیری فعال (DSS) برای استفاده در بازارهای بانکی و مالی می دانند [15].

با افزایش قابلیت اطمینان آماری الگوریتم های استخراج متن ، فروشندگان اخبار اکنون به طور فعال این فناوری را در سیستم عامل های سنتی خود ادغام می کنند. به عنوان مثال ، تامسون رویترز اطلاعات اضافی را به همراه محصولات خبری خود ، مانند نمرات Thomson Reuters News Analytics (TRNA) ارائه می دهد ، که قطبیت و جدید بودن محتوای خبری را اندازه گیری می کند. دلایل این توسعه عمدتاً از پیشرفتهای اخیر در پردازش زبان طبیعی ، همراه با قدرت محاسباتی ارزان تر و منابع خبری متنوع تر نتیجه می گیرد. در نتیجه ، کاربران انگیزه دارند که به دلیل سود مستقیم آن ، بر اساس ارزش افزوده نسبی یا مزیت چنین سیستمی در مقایسه با رویکردهای موجود ، چنین سیستم پشتیبانی تصمیم گیری را مهار کنند [15].

در نتیجه ، این مقاله بررسی می کند که چگونه یک سیستم پشتیبانی از تصمیم می تواند از احساسات خبری برای انجام معاملات سهام در عمل استفاده کند. چندین مقاله [16] ، [17] ، [18]] از دامنه DSS در مورد طراحی سیستم کلی توضیح می دهد ، اما به اندازه مقایسه رویکردهای مربوط به علائم تجاری و ارزیابی صحت تصمیمات حاصل در یک سبد مالی پیش نمی رود. به طور کلی ، سهم ما به شرح زیر است: اول ، ما استراتژی های مختلف تجارت مبتنی بر قانون را پیاده سازی می کنیم و استفاده از استراتژی های یادگیری خودکار را پیشنهاد می کنیم. دوم ، ما شواهد کمی پیدا می کنیم که سیستم تجارت اخبار ما می تواند با موفقیت داده های مبتنی بر اخبار را به منظور تصمیم گیری در مورد سرمایه گذاری درج کند. علاوه بر این ، تجارت مبتنی بر اخبار از ترکیب سایر متغیرهای خارجی ، مانند حرکت قیمت ، برای دستیابی به سود بالاتر بهره می برد.

دامنه این سیستم پشتیبانی تصمیم گیری فراتر از سناریوی احساسات خبری است ، زیرا می توان در هر شرایطی که اطلاعات جدید وارد بازار می شود استفاده کرد و پاسخ بعدی را ایجاد می کند. مثالها شامل هرگونه اطلاعات مربوط به شرکت ، مانند اطلاعیه های مطبوعاتی ، تماس با درآمد و ارقام فروش است. بر این اساس ، خود DSS از الگوهای پنهان برای ایجاد سود اضافی رونمایی نمی کند. در مقابل ، این صرفاً به اطلاعات جدید وارد بازار متکی است و باعث تعدیل قیمت سهام می شود. از این رو ، سود نتیجه داوری نیست [19] و بعید است که طبق شکل نیمه قوی فرضیه بازار کارآمد ، بازده صفر را در آینده کاهش دهد [20].

قسمت باقیمانده این مقاله به شرح زیر است. در بخش 2 ، ما تحقیقات مربوط به تجارت اخبار را مرور می کنیم. در مرحله بعد ، بخش 3 منابع داده و همچنین خبرنامه را توصیف می کند که برای استخراج لحن ذهنی افشای مالی در تجزیه و تحلیل احساسات ادغام شده اند. مقادیر احساساتی محاسبه شده سپس (بخش 4) در استراتژی های مختلف تجارت خبری وارد می شوند و در نهایت ، بخش 5 این استراتژی ها را از نظر عملکرد مالی آنها ارزیابی می کند.

قطعه قطعه

کار مرتبط

در این بخش توضیحات کوتاهی از مؤلفه هایی که برای یک سیستم تجارت خبری مرتبط هستند ارائه شده است. برای بررسی دقیق و طبقه بندی ، ما به [15] اشاره می کنیم.

زمینه

در این بخش دانش پیش زمینه هم برای مجموعه داده ها و هم برای تجزیه و تحلیل احساسات ارائه شده است. اول ، ما ساخت و سازهای خبری را که در طول این مقاله استفاده می شود ، توصیف می کنیم. سپس این متن در حال اجرا را به نشانه های قابل خواندن با دستگاه تبدیل می کنیم تا احساسات خبری را اندازه گیری کنیم. 1

استراتژی های معاملاتی

طراحی عمومی یک سیستم پشتیبانی تصمیم گیری برای تجارت خبری در شکل 1 نشان داده شده است. روند داخلی سیستم شامل دو مرحله است: اول ، سیستم احساسات اخبار را به عنوان اندازه گیری لحن متنی استخراج می کند. این نشانگر جهت بازگشت مورد انتظار است. سپس ، مرحله دوم شامل اجرای یک استراتژی معاملاتی به منظور تصمیم گیری در مورد تجارت است.

در این بخش استراتژی های معاملاتی که به عنوان پایه و اساس تجزیه و تحلیل ما خدمت می کنند ، معرفی می شود. سازگار با موجود

ارزیابی

بخش های فوق تعدادی از استراتژی های معاملاتی را ارائه داده اند که در نحوه انجام عملیات متفاوت است. در این بخش این استراتژی های معاملاتی از نظر عملکرد به دست آمده آنها ارزیابی شده است. ما ابتدا روی استراتژی های معیار خود تمرکز می کنیم و سپس عملکرد آنها را تجزیه و تحلیل می کنیم.

بحث

در این بخش بحث در مورد پیامدهای مدیریتی و محدودیت ها ارائه شده است.

نتیجه گیری و چشم انداز

اگرچه این یک واقعیت شناخته شده است که بازارهای مالی نسبت به انتشار افشای مالی بسیار حساس هستند ، اما نحوه دریافت این اطلاعات به اندازه کافی به دور از مطالعه است. محققان تا همین اواخر شروع به بررسی محتوای اخبار با استفاده از تکنیک های بسیار ساده برای تعیین احساسات خبری کردند. به طور معمول ، این مقالات تحقیقاتی در یافتن پیوندی بین محتوای کیفی و واکنش بازار سهام متعاقب آن تمرکز دارند. برای مهار این

تصدیق

کمک های ارزشمند Dirk Neumann ، Laura Cuthbertson ، Ryan Grabowski و Simon Schmidt با قدردانی قدردانی می شوند.

Stefan Feuerriegel Stefan Feuerriegel یک تحقیق پس از دکترا در رئیس تحقیقات سیستم های اطلاعاتی دانشگاه فرایبورگ با تمرکز بر استخراج متن و تجزیه و تحلیل احساسات اخبار مالی است. پیش از این ، وی مدرک دکترای خود را از همان موسسه تحقیقاتی به دست می آورد. وی همچنین دارای یک کارشناسی ارشد علوم در علوم شبیه سازی از دانشگاه RWTH Aachen است. وی در مجله اروپایی تحقیقات عملیاتی ، مهندسی بهینه سازی ، مجله ، انتشارات تحقیقاتی