基于新闻的交易策略

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《News-based trading strategies》
---
作者：
Stefan Feuerriegel and Helmut Prendinger
---
最新提交年份：
2018
---
英文摘要：
  The marvel of markets lies in the fact that dispersed information is instantaneously processed and used to adjust the price of goods, services and assets. Financial markets are particularly efficient when it comes to processing information; such information is typically embedded in textual news that is then interpreted by investors. Quite recently, researchers have started to automatically determine news sentiment in order to explain stock price movements. Interestingly, this so-called news sentiment works fairly well in explaining stock returns. In this paper, we design trading strategies that utilize textual news in order to obtain profits on the basis of novel information entering the market. We thus propose approaches for automated decision-making based on supervised and reinforcement learning. Altogether, we demonstrate how news-based data can be incorporated into an investment system.
---
中文摘要：
市场的奇迹在于，分散的信息被即时处理并用于调整商品、服务和资产的价格。金融市场在处理信息方面特别有效；这些信息通常嵌入文本新闻中，然后由投资者进行解释。最近，研究人员开始自动确定新闻情绪，以解释股价走势。有趣的是，这种所谓的新闻情绪在解释股票回报方面相当有效。在本文中，我们设计了利用文本新闻的交易策略，以便在新信息进入市场的基础上获取利润。因此，我们提出了基于监督和强化学习的自动决策方法。总之，我们展示了如何将基于新闻的数据纳入投资系统。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> News-based_trading_strategies.pdf (735.54 KB)

2022-6-10 07:20:52 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：交易策略 Applications Quantitative information Researchers

基于新闻的交易策略Stefan Feuerriegela，b，*, Helmut PrendingerbaChair for Information Systems Research，University of Freiburg，Platz der AltenSynagoge，79098 Freiburg，GermanybNational Institute of Information（NII），2-1-2 Hitotsubashi，Chiyoda ku，Tokyo101-8430，Japan摘要市场的奇迹在于分散的信息被即时处理并用于调整商品、服务和资产的价格。金融市场在处理信息方面尤其有效；这些信息通常嵌入文本新闻中，然后由投资者进行解释。最近，研究人员开始自动确定新闻情绪，以解释股价走势。有趣的是，这种所谓的新闻情绪在解释股票回报方面相当有效。在本文中，我们设计了利用文本新闻的交易策略，以便在新信息进入市场的基础上获得利益。因此，我们提出了基于监督和强化学习的自动决策方法。总之，我们演示了如何将基于新闻的数据整合到投资系统中。关键词：决策支持、财经新闻、交易策略、文本挖掘、情绪分析、交易模拟*通讯作者。邮件：stefan。feuerriegel@is.uni-弗莱堡。判定元件；电话：+49 761 203 2395；传真：+49 761 203 2416。电子邮件地址：stefan。feuerriegel@is.uni-弗莱堡。de（Stefan Feuerriegel），helmut@nii.ac.jp（Helmut Prendinger）预印本于2018年7月19日提交给决策支持系统。简介市场效率在很大程度上取决于信息的可用性。如今，随着电子市场的普及，市场信息变得越来越容易获取。然后，决策者可以利用这些信息来最大化购买和销售的利益（例如[1]）。

在同样的背景下，一些出版物（如[2、3、4]）研究了市场对新闻公告的接受情况，发现了财务披露与股市反应之间的因果关系，并且这种关系是可以明确衡量的。市场接受度不仅取决于财务披露中嵌入的定量事实，更重要的是，股市对财务披露的反应是由定性信息驱动的，因为新闻通常以短信形式呈现。为了从文本内容中提取音调，人们经常通过测量所谓的新闻情绪来衡量新闻的极性。这说明了如何利用披露的叙述性内容【5、6、7、8、9、10】，为投资者提供决策支持。虽然之前的研究【11、12、13、14】成功地建立了新闻语调与股市价格之间的联系，但尚不清楚如何利用提取的情绪信号来促进投资决策。为了弥补这一差距，本文研究了新闻情绪作为一种新的决策支持趋势如何丰富新闻交易。新闻交易将实时市场数据和自然语言处理结合在一起，以检测合适的新闻公告，从而触发交易。其机制通常是算法交易系统的一部分，而许多机制将其视为用于银行和金融市场的支持决策支持系统（DSS）[15]。随着文本挖掘算法的统计可靠性不断提高，新闻供应商现在积极将此技术集成到其传统平台中。

例如，汤森路透在其新闻产品中提供额外信息，如汤森路透新闻分析（TRNA）评分，该评分衡量新闻内容的极性和新颖性。这一发展的主要原因是自然语言处理的最新进展，加上更廉价的计算能力和更多样化的新闻来源。因此，与现有方法相比，基于此类系统的相对附加值或优势，由于其直接收益，用户被激励利用此类决策支持系统【15】。因此，本文研究了决策支持系统如何在实践中利用新闻情绪进行股票交易。DSS领域的几篇论文【16、17、18】详细阐述了一般系统设计，但没有对交易信号的方法进行比较，也没有评估金融投资组合中最终决策的准确性。总体而言，我们的贡献如下：首先，我们实施不同的基于规则的交易策略，并建议使用自动学习策略。其次，我们发现定量证据表明，我们的新闻交易系统能够成功地整合基于新闻的数据，以便做出投资决策。此外，基于新闻的交易还可以通过加入其他外部变量（如价格动量）来获得更高的利润。该决策支持系统的范围超出了新闻情绪的场景，因为它可以在任何新信息进入市场并触发后续响应的情况下使用。示例包括任何与公司相关的信息，如新闻稿、盈利电话和销售数据。因此，DSS本身并没有揭示产生超额利润的隐藏模式。相反，它完全依赖于进入市场的新信息，从而导致股价调整。

因此，利润不是套利的结果，根据半强形式的有效市场假说，未来不太可能减少到零超额回报。本文的其余部分结构如下。在第二节中，我们回顾了新闻交易的相关研究。接下来，第3节描述了整合到情绪分析中的数据源以及新闻语料库，以提取财务披露的主观基调。然后将计算出的情绪值插入到各种新闻交易策略中（第4节），最后，第5节根据这些策略的财务表现对其进行评估。相关工作本节简要介绍与新闻交易系统相关的组件。为了全面审查和分类，我们参考参考文献[15]。2.1. 基准首先，我们需要使用基准情景验证我们的交易策略的性能。流行的方法之一是使用股票指数，因为这些指数是按规模加权的个人股票投资总额。例如，之前的研究基于《华尔街日报》的新闻报道，通过稀疏矩阵分解预测股票价格变动的方向[21]。他们的发现显示准确率为55.7%，超过了他们的参考指数。进一步的选择建立在历史回报率最高的股票的简单买入和持有策略上。2.2. 交易费当我们着眼于现实研究时，我们需要说明的新闻交易的另一个组成部分是发生的交易费。尽管priorresearch进行了交易模拟，但其中许多参考文献忽视了交易费用的影响。根据【22】，如果交易成本适中，基于积极和消极情绪的交易策略是可行的。

本文假设一位投资者根据路透社公司新闻同时交易62只股票。此外，作者还考虑了不考虑捐赠时的交易成本和可能的利率损失。调查结果显示，卖出信号交易更具优势，但频率较低。在这里，敏感性是通过不同的交易成本和无风险利率来研究的，但作者没有评估任何交易策略，除了naive策略。一种简单的方法依赖于基于riskwords的分类规则，与美国国库券相比，平均每年超过20%。同样，与道琼斯相比，泰特洛克（Tetlock）[12]使用了悲观的词汇，并通过appliedtrading策略获得了7.3%的高回报。然而，上述所有文件都忽略了交易费用，而事实上，交易费用可能是巨大的。另一个例子是，使用财务新闻的支持向量机在预测资产回报方向方面的准确率达到71%[16]。因此，与2005年10月25日至11月28日期间的标准普尔500指数相比，这创造了2.88%的超额回报。为数不多的考虑交易费用的论文之一也利用了德国的临时公告，并在预测回报方向时达到了65%的准确率。假设交易费用为0.1%，则每笔交易的平均回报率为1.1%。然而，本文[24]依赖于一种基本策略（类似于我们简单的基于新闻的策略），没有比较其他交易策略。2.3. 交易策略新闻交易系统的第三个组成部分是交易策略。常见的方法包括简单的买入并持有策略，这些策略包含来自新闻的信息。交易策略通常在事后投资组合模拟中进行测试。

例如，之前的研究假设，基于情绪的选择策略将优于简单的买入并持有基准策略，后者在整个测试期间持有所有股票[26]。另一个研究流开发了一个新闻分类和交易系统来预测股票价格趋势。它的交易引擎推荐交易，如“买入X股并持有，直到股价达到+d%的关口”。同样，可以围绕社交媒体数据[28]或谷歌查询量[29]构建交易策略，以搜索与金融相关的术语。后一个变量被插入simplebuy and hold策略（无交易成本），以便在开始时购买道琼斯指数，并在各个持有期结束时出售。这种方法的收益率为16%，几乎与2004年1月至2011年2月期间道琼斯指数的总收益相同。最近的一篇研究论文【30】利用深度学习来训练堆叠受限玻耳兹曼机器（RBM）的自动编码器，以从股票运动中提取特征。然后将这些数据传递到神经网络中，对未来的性能进行分类。与基本动量交易策略相比，这种方法产生更高的回报；然而，它忽视了财务披露的可能预测能力。与我们的研究相关的是【15】，他提出了一个基于规则的新闻交易系统的架构。该系统借助不同的数据挖掘算法筛选事件，并推荐交易策略。作者因此提供了新闻交易的分类法；然而，系统背后的机制并没有经过经验评估。综上所述，上述参考文献证明，研究交易策略，尤其是关注新闻内容，对于决策支持领域来说，既是一个有趣的研究问题，也是一个相关的研究问题。

因此，本文旨在通过比较不同交易策略的财务绩效来阐明这一研究领域。背景本节介绍数据集和情感分析的背景知识。首先，我们描述了本文中使用的新闻语料库的结构。然后，我们将这些正在运行的文本转换为机器可读的标记，以衡量新闻情绪。3.1. 数据来源我们的新闻语料库来源于受监管的即席播报英语。我们选择此数据源主要是因为公司有义务通过标准化渠道尽快披露这些临时公告，从而使我们能够研究新闻披露对股价的短期影响。在评估和比较情绪分析方法时，临时公告是一种常见的选择。此外，这种类型的新闻语料库提供了一些优势。有关预处理的详细信息，请参阅在线附录。由德国临时公共图书馆（DGAP）提供。标记：临时公告必须经公司高管授权，内容由联邦金融监管机构进行质量检查，一些出版物分析其与股票市场的相关性–发现直接关系（如[32]）。我们收集的公告日期为2004年1月至2011年6月底（由于数据可用）。我们调查了这么长的一段时间，以避免只分析主要由单一市场机制驱动的新闻的可能性，例如金融危机。我们随后还将股票市场指数整合到我们的分析中，如下所示：在我们的分析中，所谓的CDAX指数是交易策略在绩效方面需要超越的基准。3.2.

使用文档的文本表示来衡量正面和负面内容的情感分析方法称为意见挖掘或情感分析[33]。事实上，情绪分析可以用来从文本来源中提取主观信息，以及衡量市场参与者对新闻的感知和反应。一种是利用新闻发布后观察到的股价反应来验证情绪分析程序的准确性。因此，情绪分析为研究新闻内容与其市场接受度之间的关系提供了一个有效的工具【11，12】。让变量S（A）给出与股票i相对应的公告A的新闻情绪。所有算法细节都在在线附录中提供。Bundesanstalt f–ur Finanzdienstleistungsaufsicht（巴芬）。CDAX是由德意志银行计算的德国股票市场指数。它是法兰克福证券交易所所有股票的综合指数，这些股票在通用标准或基本标准细分市场上市，目前共有331只股票。交易策略新闻交易决策支持系统的一般设计如图1所示。该系统的内部过程包括两个步骤：首先，该系统提取新闻情绪作为文本语气的衡量标准。这提供了预期返回方向的指示器。然后，第二步涉及执行交易策略以做出交易决策。情绪分析交易策略价格/动量新闻披露词典BuyShorthold预期回报方向决策图1：决策支持系统（DSS）将新闻内容转换为交易决策。本节介绍了作为我们分析基础的交易策略。

与现有文献一致，我们首先介绍我们的基准，即动量交易和投资组合方法。这些策略通过最大化所谓的变化率，仅从资产的历史回报中得出购买决策（详情参见[25]）。此外，我们提出了基于新闻的交易策略，其中投资决策由新闻情绪信号触发。然后，我们将这两种方法结合起来，制定一种既利用历史成本又利用新闻情绪的策略。最后，我们利用监督和强化学习来自动学习这些规则。交易时，我们将所有所谓的低价股（即低于5的股票）排除在我们的评估之外。这背后的原因是，这些低价股对趋势和新闻公告的反应更不系统，因此，可能会在我们的数据中引入更大的噪音成分。4.1. 基准：动量交易和投资组合在接近后续算法时，我们使用以下符号：让pi，t表示时间t时股票i的收盘价。过去的股票回报率可以预测未来的公司业绩。这就是为什么我们使用变化率roci，t=pi，t- pi，t-δpi，t-δ. （1） 作为我们的基准之一。在这种情况下，我们总是选择变化率绝对值最高的股票，并做出相应的买入或卖出决定。此外，我们还将变化率插入20只股票的投资组合法。也就是说，我们总是在变动率最高的股票中选择一个统一的份额，并相应地买入/卖空股票。因此，我们对几个股票的回报率和风险进行了平均。在线附录中给出了详细的动机以及完整的规格。4.2. 基于规则的新闻交易我们现在关注新闻情绪，以实现基于新闻的购买决策。