基于新闻的交易策略

所有这些都表明，基于新闻的数据可以成为投资决策模型的可行输入。表3：选定的统计检验，以验证每日异常回报率高于零的假设（无交易成本；基于表1中的策略）。交易策略每日异常回报率（均值）Wilcoxon测试单侧（P值）t-test单侧（P值）新闻交易简单新闻交易0.4197%0.0167*0.0126*组合新闻和动量0.0335%0.9387 0.3292策略学习监督学习1.0948%0.0000***0***强化学习0.7708%0.0000***0.0009***统计显著性水平：***0.001,**0.01,*0.055.5. 示例本节演示了实时设置中的决策支持系统。为了演示，我们使用了SAP AG于2011年1月13日下午4:44发布的题为“SAP AG:SAP宣布2010年第四季度创纪录的软件收入”的特别公告。其情绪S（A）占4.0699×10-5.从而表明了总体积极的内容。根据当前状态，系统可以决定是投资当前股票、持有前一只股票还是遵循任何基准策略。因此，我们在图7中显示了SAP的股票价格和CDAXindex，同时对该指数进行了归一化，以匹配披露前一天的股票价格。显然，由于此次发布，SAP股票价格大幅上涨，甚至在随后几天的表现都优于市场。股票价格可以从http://www.dgap.de/dgap/News/adhoc/sap-sap-veroeffentlicht-rekordergebnis-fuer-softwareerloese-quartal/?newsID=655932; 上次访问日期：2016年4月18日。

1月13日发布的公告共有11条，因此决策支持系统可能会选择其中的任何一条，或遵循我们的上述评估，只考虑第一条。在披露之日下降了3.98%，而CDAX参考指数保持相当稳定。因此，我们观察到异常回报率为3.79%。38394041年1月3日1月10日1月17日1月24日欧元指数价格（标准化）图7：曲线图显示了示例性设置中的价格曲线。广告发布的当天以灰色背景为阴影。样本股票（即SAP）的价格因新闻而上涨，类似于CDAX指数（在新闻披露之前已被标准化为股票价格）。此外，表4提供了交易决策的比较。基准和基于规则的交易都不能在披露日产生任何利润。然而，这两种策略都建议投资股票，从而在披露日获得正回报。讨论本节讨论了管理含义和限制。表4：基于2011年1月13日SAP披露的不同策略比较。括号中的收益仅基于特定股票，忽略后续交易的干扰。交易策略披露日回报率10天内回报率CDAX指数0.00%5.51%Momentum交易0.00%2.47%Portfolio交易-0.11%-2.60%简单新闻交易-1.40%-11.57%综合新闻和动量0.04%-10.28%监督学习3.98%（5.52%）强化学习3.98%（5.52%）6.1。管理含义本论文旨在开发自动系统的核心功能，以触发基于新闻的交易决策。虽然它是更大的算法交易系统的一部分，但该系统通常被视为决策支持系统【15】。

在上述评估中，这样一个系统表明，新闻交易可以产生一个有利的场景。实际上，这种决策支持系统可能由10到100个数据/文本挖掘算法组成。最近，文本挖掘算法仅从整个新闻堆中提取相关事件，从而有助于减少新闻中的市场噪音[40]。因此，必须经常根据最新数据集校准所有模型参数。剩下的挑战之一是新闻的信息质量。尽管新闻在推动股价方面发挥着重要作用，但它仍然留下了很大一部分噪音【13】。当信号不明确时，这不可避免地会导致不可预测的市场反应，并可能减少市场反应【41】。不同的数据源可能会进一步深入了解额外噪音的成本。例如，创新新闻来源（如推特等社交媒体）提供了大量新的文本材料，这些材料的发布速度很快，而且没有质量控制。相关方法还包括公司谷歌查询与金融相关的搜索词【29】和互联网股票留言板【11】。这些资源中的每一个都有自己的优势，但从业者可能会实现一种组合。无论如何，我们需要一种即使在面对嘈杂数据时也能可靠工作的补救方法。为了克服这一挑战，我们提出了基于规则的算法和策略学习形式的新闻交易策略，显示出低风险的成分。上述研究开辟了其他几个研究领域。

拟议的决策支持系统及其交易策略也可以与高频交易高度相关[42]，并为这一相邻学科提供有价值的见解，完全依赖于自动交易算法。新闻交易还涉及到投资组合管理问题[43，例如]，在这些问题中，投资者在不知道未来回报的情况下，事先决定持有哪个投资组合。虽然这些回报是未知的，但市场参与者根据他们对市场的预期做出决策和执行交易。在实施此类新闻交易系统的道路上，管理者可以在大量选项之间进行选择。然而，我们发现功能验证很少。因此，“毫不奇怪，新闻交易仍然高度专业化，并继续基于不同的决策工具和分析模型”[15]。6.2. 在将以前的结果转化为实践时，需要进行归纳和限制。因此，我们将在下面讨论局限性和可推广性。本文旨在提出并评估一个基于机器学习的具有新颖交易策略的决策支持系统，以决定是购买属于新闻披露的股票，还是投资其他基准。我们的目的不是从一开始就解开交易信号，而是比较将信号转换为财务收益的策略。因此，我们只关注新信息的到来及其对市场的相应影响。例如，图8描述了股市对临时公告的反应，其中新信息导致非零平均回报。有了完美的预测，就有可能将所有正回报和负回报转化为财务回报交易。

此外，临时公告的内容必须新颖且与股市相关。相应的概念被形式化为有效市场假说的半强形式，根据该假说股票价格适应新信息的披露【20】。因此，即使有更多的参与者交易新的信号，股价仍将保持变化；然而，这会影响到他们之间的利益分配。0100200300-20-10 0 10 20日收益率（in%）频率0501000150200250-20-10 0 10 20日异常收益率（in%）频率图8：披露当日的收益率（左）和异常收益率（右）直方图，其中竖条表示相应的平均值。决策支持系统可以在任何新信息进入市场并触发股价反应的情况下工作。因此，可以通过将情绪变量替换为指定信息积极性的任何数值来调整DSS。例如，可以通过更多的宏观经济公告（例如关于利率、失业率的公告）或特定的企业披露（例如盈利电话）来实现。相比之下，其他作品侧重于揭示未知变量或模式。此类目标通常被称为数据挖掘或数据窥探，利用数据挖掘来发现数据中的模式【44】。这些测试了许多变量及其组合，以确定可能与未来股票回报率相关的预测因素【45】。然而，我们需要小心避免前瞻性偏差，即使用交易时不存在的变量。这种预测通常只显示有限的回报可预测性。例如，最近的一项研究[19]测试了97个假设用于预测横截面股票回报的变量的投资组合回报。

这些变量包括分析师价值、出价、营业额、投资和税收，但不包括新闻的到来。研究结果表明，一旦预测值在学术期刊上发表，表明投资者适应了错误定价，从而减少了超额利润，回报率就会下降。因此，DSS显示了从新信息的出现中获得财务收益的可能途径。然而，这需要一些实际要求和挑战。首先，为了下更大的订单，相应的库存需要具有很高的流动性（并相应地定义订单账簿[47]）。此外，对冲基金需要高度复杂的分析框架（根据新信息预测市场反应）和必要的IT基础设施。后者意味着高性能服务器和低延迟网络连接直接靠近证券交易所，因为自动交易员目前在几毫秒内交易新闻稿和下订单（参见[48]）。出于同样的原因，新的对冲基金进入自动交易员已经运作的市场，需要巨额的初始支出。最后，竞争可能会影响信息的处理方式，并要求在技术和分析基础设施方面不断提高，从而限制潜在利益7。结论与展望尽管众所周知，金融市场对财务披露的发布非常敏感，但这些信息的接收方式远未得到充分研究。直到最近，研究人员才开始使用非常简单的技术来确定新闻情绪，研究新闻故事的内容。通常，这些研究文件集中于发现定性内容与随后的股市反应之间的联系。

为了在实践中利用这种关系，newstrading将实时市场数据和情绪分析结合起来，以操纵投资决策。有趣的是，以前的方法都有一个共同点，那就是它们很少研究和比较交易策略。作为补救措施，本文在新闻交易决策支持系统中评估算法交易策略。因此，我们提出并比较了不同的策略学习变体（如监督学习和强化学习），以增强基于新闻的交易。因此，我们的决策支持系统可以利用基于新闻的数据做出有价值的投资决策。然而，这些方法固有的预测误差意味着一定程度的风险。总之，我们有助于理解电子市场中的信息处理，并展示如何在金融市场中实现决策支持。本文从两个方向为进一步的研究开辟了道路。首先，多资产战略有利于分散风险。为了对这种策略进行建模，有趣的方法包括风险价值（VaR）度量以及投资组合优化技术。其次，有必要通过包含更广泛的外部预测因素来改进资产回报预测。因此，可能的外部变量可能包括股票市场指数、描述经济的基本面和其他滞后变量。嵌入社交媒体等创新新闻来源也将带来进一步的增强。此外，从业者在重复这项研究时，可能会对衡量财务收益感兴趣，并考虑日内回报或更现实的交易成本。

总之，通过这些因素，预测股票回报方向和触发有利交易信号的准确性将大大提高。感谢Dirk Neumann、Laura Cuthbertson、RyanGrabowski和Simon Schmidt的宝贵贡献。参考文献【1】N.Granados、A.Gupta、R.J.Kau Offman，《研究评论——企业对消费者市场的信息透明度：概念、框架和研究议程》，信息系统研究21（2010）207–226。[2] T.Cenesizoglu，《股票回报对基本面新闻的反应》，管理科学61（2014）1072–1093。[3] D.M.Cutler，J.M.Poterba，L.H.Summers，什么会影响股价？，《投资组合管理杂志》15（1989）4–12。[4] S.Feuerriegel、G.Wolff、D.Neumann，《新闻情绪与汇率过冲》，应用经济学（2016）1-13。[5] R.Balakrishnan，X.Y.Qiu，P.Srinivasan，《年度报告中叙述性披露的预测能力》，欧洲运筹学杂志202（2010）789–801。[6] S.W.Chan，J.Franklin，《基于文本的金融序列预测决策支持系统》，决策支持系统52（2011）189–198。[7] E.Fersini，E.Messina，F.A.Pozzi，《情绪分析：Bayesiannsemble学习》，决策支持系统68（2014）26–38。[8] 李元明，李天勇，从微博获取市场情报，决策支持系统55（2013）206–217。[9] N.Pr¨ollochs，S.Feuerriegel，D.Neumann，《否定范围检测-感知分析：新闻驱动交易的决策支持》，决策支持系统（2016）。[10] G.Wang，J.Sun，J.Ma，K.Xu，J.Gu，《情绪分类：集成学习的贡献》，决策支持系统57（2014）77–93。[11] W.Antweiler，M.Z。

弗兰克，那些话只是噪音吗？《互联网股票留言板的信息内容》，《金融杂志》59（2004）1259–1294。[12] P.C.Tetlock，《为投资者情绪提供内容：媒体在股市中的作用》，金融杂志62（2007）1139–1168。[13] P.C.Tetlock，M.Saar Tsechansky，S.Macskassy，《不止文字：量化语言来衡量公司的基本面》，《金融杂志》63（2008）1437–1467。[14] E.Henry，投资者是否被盈利新闻稿的撰写方式所影响？，《商业传播杂志》45（2008）363–407。[15] S.Gagnon，《基于规则的新闻交易算法集成》，《交易杂志》第8期（2013）15–27页。[16] R.P.Schumaker，H.Chen，《利用突发性金融新闻对股市预测的文本分析》，ACM Transactions on InformationSystems 27（2009）1–19。[17] R.P.Schumaker，H.Chen，《基于金融新闻、信息处理与管理的定量股票预测系统》45（2009）571–583。[18] R.P.Schumaker，Y.Zhang，C.-N.Huang，H.Chen，《金融新闻文章中的情绪评估》，决策支持系统53（2012）458–464。[19] R.D.McLean，J.Pontiff，学术研究是否破坏了股票回报的可预测性？，《金融杂志》71（2016）5–32。[20] F.E.Fama，《股票市场价格行为》，商业杂志38（1965）34–105。[21]F.M.F.Wong，Z.Liu，M.Chiang，《华尔街日报股票市场预测：基于稀疏矩阵分解的文本挖掘》，摘自：IEEE国际数据挖掘会议（ICDM），IEEE计算机Soc。，中国深圳，2014年，第430–439页。[22]F.Graf，《机械提取的公司信号及其对股票和信贷市场的影响》，2011年。URL：http://www.uni-konstanz.de/FuF/wiwi/workingpaperseries/WP_18-11-Graf.pdf.[23]F.Li，股市投资者了解公司年报的风险情绪吗？，SSRN电子杂志（2006）。【24】M.Hagenau，M。

Liebmann，M.Hedwig，D.Neumann，《自动新闻阅读：基于特定背景特征的金融新闻的股价预测》，摘自：第45届夏威夷国际系统科学会议（HICSS），2012年，第1040-1049页。【25】S.Feuerriegel，D.Neumann，《基于新闻的交易策略评估》，载于：A.Lugmayr（编辑），《金融业中的企业应用和服务》，商业信息处理课堂讲稿第217卷，瑞士查姆斯普林格，2015年，第13-28页。【26】A.Klein，O.Altuntas，T.Hausser，W.Kessler，《从博客文本中提取投资者情绪：基于知识的方法》，载于：IEEE13届商业和企业计算会议（CEC），2011年，第1-9页。【27】M.-A.Mittermayer，《利用文本挖掘技术预测日内股价趋势》，摘自：R.H.Sprague（编辑），《每年37届夏威夷系统科学国际会议论文集》，IEEEComputer Soc。，加利福尼亚州洛斯阿拉米托斯，2004年。【28】R.Hochreiter，《利用进化优化基于金融情绪数据计算交易策略》，2015年。【29】T.Preis、H.S.Moat、H.E.Stanley，《利用谷歌趋势量化金融市场的交易行为》，科学报告3（2013）1684。[30]L.Takeuchi，Y.-Y.Lee，《应用深度学习提高股票动量交易策略》，2013年。[31]M.-A.Mittermayer，G.F.Knolmayer，《面向市场的文本挖掘系统对新闻的反应：调查》，2006年。【32】J.Muntermann，A.Guettler，《即日股价对披露的影响：德国案例》，《国际金融市场、机构和货币杂志》17（2007）1-24。【33】B.Pang，L.Lee，《意见挖掘和情感分析》，信息检索基础与趋势2（2008）1–135。【34】M.Minev、C.Schommer、T.Grammatikos，《新闻与股票市场：异常回报和预测模型调查》，2012年。