在情绪分析中使用股票价格作为基本真理生成

方法B使用基于researchin（16）的popularexisting情感词典SentiWords（5），对推特进行正面、负面或中性的一般评级。方法C也是如此，但使用了Loughran&McDonald字典【9】，该字典是为金融领域开发的。应用方法B在推特分类中产生了高度的正偏差（85%），进一步支持了[9]中的说法，即应用通用情感词典会给出准确的结果，因为大量的词通常被认为是积极的，但在金融环境中被认为是中性的。方法C的字典呈负偏态，图3：使用方法a、B、C交易AAPL股票的公司。图4：使用方法a、B、C交易TSLA股票的公司。但推特的分类几乎一致。尽管如此，字典中的单词总数太少，导致许多被处理为未分类的单词，对交易信号没有贡献。图3-6显示了每种方法的性能比较。虽然方法B看起来一直是可行的，但在实践中它不能被视为一种好方法。high positiveskew实质上产生了一种“买入并持有”策略，99%的自动交易都是作为买入订单进行的，这在测试期间表现良好也是偶然的。通过分析第III-C节中讨论的真实买入利率和真实卖出利率之间的差异，可以确定这个问题，理想情况下，这接近最小值0，但在这种情况下，接近最大值100。D、 夏普回报率夏普回报率是衡量投资绩效与风险之间关系的一种方法。该指标计算每单位风险的投资预期回报，或者在这种情况下计算交易策略的使用[20]。

计算如下：S=(R)dσd=E[Ri- Rb]pvar[Ri- Rb]式中，d表示差异回报，σd表示d的标准偏差，E[Ri- Rb]表示IG。5： 使用方法A、B、C交易TWTR股票的公司。图6：使用方法A、B、C交易FB股票的公司。股票夏普比率APL 2.78TSLA 3.06TWTR-0.016FB-5.46表五：根据标准普尔500指数的基准“买入并持有”策略，每支股票的收益夏普比率。预期投资回报率i，Ri，与基准b，Rb的回报率相比。这个特殊的表达式是作者定义为事前夏普比率的版本。这里选择的比较基准是标准普尔500指数，这是一个由500家大公司组成的美国股市指数，被广泛认为是美国股市和整体经济的良好代表。使用“买入并持有”策略，将每个股票回报率与标准普尔500指数的基准投资回报率进行比较，该策略包括在月初购买指数，并在整个月内保持该头寸，产生的收益等于价格的总涨幅或总跌幅。该指标允许在风险调整后的回报基础上对投资或交易策略进行比较，这意味着回报率相似的投资或交易策略可以按照每单位风险回报率较高的投资或交易策略进行排名。表V中显示的结果夏普拉蒂奥是每种股票回报率表现的进一步指标。五、

讨论我们的工作调查了使用股票价格来标记股票相关推文是否比当前实践中使用的方法能够更好地显示金融情绪，并测试了这种方法在自动交易系统中产生真实利润的能力。结果表明，这一想法是有价值的——为个别公司创建股票专用词典，以及与股票表现相关的基本量化指标，产生了一个分类工具，可以为推特添加标签，准确率始终高于50%的随机猜测基线。当在交易系统中使用这些预测时，在一个月内执行468笔交易，总回报率为5.18%。Witter上信息传播的实时性是我们的优势，每小时执行一次交易，使系统能够利用频繁的价格变化，并产生比预测长期趋势更高的潜在利润。与测试的两种现有情感分析方法相比，本文描述的方法优于这些基线测量。考虑到评估仅限于4只股票，在访问推特的全部公共领域的情况下进行进一步测试将具有很大的价值。如第IV-A节所述，每小时推文的数量与交易决策的可行性之间可能存在的相关性表明，获得对已发布推文的完全访问权可以提高所评估股票的回报率。然而，与股票相关的推特数量普遍较低是一个更大的问题，许多不太具新闻价值的公司的标签每小时都不会被提及。六、 进一步的工作我们打算在未来的工作中探索两个主要领域。

首先，我们旨在引入方面层面的情绪分析，通过过滤专门涉及预期股票的面向未来的推文，提高所用数据的质量。方面层面的情绪分析也可用于分析合资公司的提及，以预测股票的共同走势。我们还致力于开发更先进的交易系统。这至少可以通过添加一个具有中立保留决定的第三类来实现。此外，可以使用不同的百分比阈值下达订单，以提高决策的准确性，但可能会减少下达的订单总数。我们还旨在研究将分类超越简单的方向预测，转变为基于点的系统。致谢这项工作是基于E.Birbeck的硕士论文[1]，该论文获得了2017年布里斯托尔大学彭博奖（University of Bristol Bloomberg Prize forBest Final Year Project in Machine Learning）；我们感谢彭博社的慷慨和认可。参考文献【1】E.Birbeck。将推特转化为交易：定向股价预测的情绪分析。布里斯托尔大学计算机科学系硕士论文，2017年。[2] J.Bollen、H.Mao和X.Zeng。推特情绪预测股市。计算科学杂志，2（1）：2011年1-8月。[3] M.De Choudhury、H.Sundaram、A.John和D.Seligmann。博客传播动态是否与股市活动相关？第十九届ACM超文本和超媒体会议记录，第55-60页，2008年。[4] D.加西亚。金融新闻的怪癖。第二届新闻与金融年会：哥伦比亚商学院，2014年。在线地址：https://papers.ssrn.com/sol3/papers.cfm?abstractid=2517591[5] M.Guerini、L.Gatti和M.Turchi。情绪分析：如何从SentiWordNet中获得先验极性。

自然语言处理经验方法会议，第1259-12692013页。[6] I.Guyon、S.Gunn、M.Nikravesh和L.A.Zadeh。特征提取：基础和应用。模糊性和软计算研究。施普林格柏林海德堡，2008年。[7] H.Hong和J.Stein。资产市场反应不足、动量交易和过度反应的统一理论。《金融杂志》，54（6）：2143–21841999。[8] Q.Liu、C.Chen、Y.Zhang和Z.Hu。径向基函数核支持向量机的特征选择。《艺术情报评论》，36（2）：99–1152011年。[9] T.Loughran和B.McDonald。什么时候责任不是责任？文本分析、词典和10 Ks。《金融杂志》，66（1）：35–652011年。[10] N.Oliveira、P.Cortez和N.Areal。利用StockTwits情绪和发布量研究股票市场行为的可预测性。葡萄牙艺术情报会议，第355-365页，2013年。[11] F.Pedregosa、G.Varoquaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blon-del、P.Prettenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot、andE。杜塞斯内。Scikit学习：Python中的机器学习。《机器学习研究杂志》，12:2825–2830，2011年。[12] J.Prusa、T.Khoshgoftar和D.Dittman。特征选择技术对推特情感分类的影响。佛罗里达州艺术情报研究学会会议，第299-304页，2015年。[13] 罗宾汉，2008年。在线地址：https://www.robinhood.com[14] T.Sprenger、A.Tumasjan、P.Sandner和I.Welpe。推特和交易：股票微博的信息内容。《欧洲财务管理》，20（5）：926–9572014。[15] A.Timmermann。难以预测的回报率。《国际预测杂志》，24（1）：1-182008。[16] A.Warriner、V.Kuperman和M.Brysbaert。13915个英语引理的配价、唤醒和支配规范。

行为研究方法，45（4）：1191–12072013。[17] T.Wilson、J.Wiebe和P.Hoffmann。识别短语级情感分析中的上下文极性。《自然语言处理中的人类语言技术和经验方法会议录》，第347-3542005页。[18] Y.Zhang和P.E.Swanson。日内交易者是否没有偏见？来自互联网股票留言板的证据。《经济与金融杂志》，34（1）：96–112，2010年。[19] X.Zhang、H.Fuehres和P.A.Gloor。通过推特预测股市指标我希望它没有我担心的那么糟糕。《社会与行为科学杂志》，26:55–622011。[20] W.夏普。《投资组合管理杂志》，21（1）：49–581994年。[21]R.Edelen和R.Evans。揭示无形成本：交易成本和共同基金业绩。《金融分析师杂志》，69（1）：33–442013。