在线评论可以预测个股的长期回报

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：
《Online reviews can predict long-term returns of individual stocks》
---
作者：
Junran Wu, Ke Xu and Jichang Zhao
---
最新提交年份：
2019
---
英文摘要：
  Online reviews are feedback voluntarily posted by consumers about their consumption experiences. This feedback indicates customer attitudes such as affection, awareness and faith towards a brand or a firm and demonstrates inherent connections with a company\'s future sales, cash flow and stock pricing. However, the predicting power of online reviews for long-term returns on stocks, especially at the individual level, has received little research attention, making a comprehensive exploration necessary to resolve existing debates. In this paper, which is based exclusively on online reviews, a methodology framework for predicting long-term returns of individual stocks with competent performance is established. Specifically, 6,246 features of 13 categories inferred from more than 18 million product reviews are selected to build the prediction models. With the best classifier selected from cross-validation tests, a satisfactory increase in accuracy, 13.94%, was achieved compared to the cutting-edge solution with 10 technical indicators being features, representing an 18.28% improvement relative to the random value. The robustness of our model is further evaluated and testified in realistic scenarios. It is thus confirmed for the first time that long-term returns of individual stocks can be predicted by online reviews. This study provides new opportunities for investors with respect to long-term investments in individual stocks.
---
中文摘要：
在线评论是消费者自愿发布的关于其消费体验的反馈。该反馈表明了客户对品牌或公司的态度，如情感、意识和信念，并显示了与公司未来销售、现金流和股票定价的内在联系。然而，在线评论对股票长期回报的预测能力，尤其是在个人层面，很少受到研究关注，因此有必要进行全面的探索，以解决现有的争论。本文仅基于在线评论，建立了一个预测具有良好业绩的股票长期收益的方法框架。具体而言，从1800多万个产品评论中推断出的13个类别的6246个特征被选择来构建预测模型。通过交叉验证试验选择最佳分类器，与尖端解决方案相比，准确度有了令人满意的提高，提高了13.94%，其中10项技术指标是特征，相对于随机值，提高了18.28%。在实际场景中进一步评估和验证了模型的鲁棒性。因此，首次证实了通过在线评论可以预测单个股票的长期回报。这项研究为投资者在个人股票长期投资方面提供了新的机会。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Online_reviews_can_predict_long-term_returns_of_individual_stocks.pdf (774.63 KB)

2022-6-23 21:05:30 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：Applications Quantitative Architecture Contribution Application

在线评论可以预测个股的长期回报率：胡君兰、徐克、赵继昌、c、，*北京航空航天大学软件开发环境国家重点实验室北京航空航天大学经济与管理学院北京大数据与脑计算高级创新中心摘要在线评论是消费者自愿发布的关于其消费体验的反馈。该反馈表明了客户对品牌或企业的影响、意识和信心等态度，并显示了与公司未来销售、现金流和股票定价的内在联系。然而，在线评论对股票长期回报的预测能力，尤其是在个人层面上，很少受到研究关注，因此有必要进行全面的探索，以解决现有的争论。本文以在线评论为基础，建立了一个预测业绩良好的个股长期收益的方法论框架。具体而言，从1800多万个产品评论中推断出的13个类别的6246个特征被选择来构建预测模型。从交叉验证测试中选择最佳分类器后，与以10项技术指标为特征的前沿解决方案相比，获得了令人满意的增加不准确率13.94%，相对于随机值提高了18.28%。我们的模型的稳健性在现实场景中得到了进一步的评估和验证。因此，首次证实了通过在线评论可以预测单个股票的长期回报。

这项研究为投资者在个人股票长期投资方面提供了新的机会。*通讯作者：电子邮件地址：jichang@buaa.edu.cn（赵继昌）提交给爱思唯尔的预印本2019年5月9日关键词：在线评论、预测模型、长期回报、个人股票1。正如亚当·斯密在《国富论》中所写，每个人都想利用自己的资本从自己的产品中获得最大价值（斯密，1776），这告诉我们，追求个人利益是人类从事经济活动的主要动机。此外，很明显，那些投资股市的人期望获得超额回报。由于股票的可预测性，投资者在股票预测的理论和应用方面都付出了很大的努力。借助历史价格等内部信息和投资者行为等外部信号，预测股票回报率有助于指导资产市场的交易决策。此外，随着信息爆炸，与金融市场相关的数据，无论是来源还是数量，都得到了丰富和逐步积累。不同频率的价格信息（Harris，1986；Jain和Joh，1988；Panet al.，2017）、公司财务报告（Jones和Litzenberger，1970；Zhou et al.，2015，2017）和财务新闻（Geva和Zahavi，2014；Li et al.，2014；Nassirtoussi et al.，2015）都是与财务系统相关的直接信息的例子。

与此同时，宏观经济学的兴衰（Chen et al.，1986），以及社交媒体（Zhou et al.，2018；Sun et al.，2017；Ruan et al.，2018；Zhang et al.，2018），搜索引擎（Preis et al.，2013；Engelberg and Gao，2011；Xuet al.，2019）和分析师建议（Duan et al.，2013）揭示的投资者情绪反应和反映，是间接的令人振奋的数据来源。在所有这些不同的数据源中，客户生成的在线评论是最新的。在线评论由希望分享其消费体验的客户自愿发布在电子商务网站上（Clemons等人，2006年；Godes和Mayzlin，2009年；Tang等人，2012年）。亚马逊首席执行官杰夫·贝佐斯（JeffeBezos）将在线客户评论的力量描述为，如果你让客户在现实世界中不开心，他们可能会告诉6个朋友。如果你在网上让客户不高兴，他们每个人都可以告诉6000个朋友。Asuser生成的口碑信息、消费者评论不仅提供了有关公司产品的信息，还影响了消费者的决策（Cabral，2000）。从商业角度来看，评论表明了客户对品牌或企业的态度，如影响、意识和信念（Chevalier和Mayzlin，2006；Li和Hitt，2008），而品牌形象实际上与企业资产有着内在的联系（Faircloth等人，2001）。作为公司产品和服务的目标，客户不仅积极生产其他消费者可以随时获得的产品相关信息，而且在做出购买决策时也会定期调整这些信息，这无疑会影响公司未来的销售和盈利能力（Subrahmanyam和Titman，1999；Huang，2018）。Luo（2009）甚至透露，在线评论可能会影响公司的现金流，并最终改变其股票的波动。

此外，在线消费者评论和企业价值之间存在着显著的预测关系，例如，客户决策驱动企业的股权价值（Luo等人，2013）。更重要的是，评论通常与某个特定品牌相关，并随第一次发布的时间标注日期，因此有可能以单个库存粒度收集数据，并长期跟踪消费者的意见。直观地说，这些数据可以直接与单个股票的长期回报率联系起来，因此可以作为股票预测实践中现有数据源的新的但强有力的补充。然而，在线评论是否有助于长期回报预测仍然缺乏全面的理解，尤其是在个股层面。股票回报可以按不同的粒度进行预测，例如长期（每周或每月）或短期（分钟或天）。虽然短期预测总是旨在捕捉即时波动并提供即时投资建议，但长期预测有助于价值投资，这将更加强调以长期回报为目标的低频交易模式。在早期的股票预测文献中，对每日价格变化的影响要大得多，而不是长期价格变化（Jasemi et al.，2011；Ye et al.，2016；Baralis et al.，2017）。然而，对于人类和算法而言，长期预测通常比短期预测更具挑战性（Ding等人，2014；Zhang等人，2017），这迫切意味着需要建立更有效的模型来预测长期回报。与此同时，现有研究并没有罕见地尝试预测个别股票的回报，而是更多地关注预测整个市场，如指数（Hsu，2011；Chen和Chen，2015；Efendi et al.，2018）。

在线评论和股票之间关系的重要性，是现有研究中最常见的问题，已经被广泛调查；然而，利用评论作为特征来直接预测股票的研究很少，而且仍然缺乏系统的理解。考虑到决策的精细程度，个人股票预测可能对投资者进行投资更为强大和实用。由于其持续时间长且与单个品牌相关，在线评论实际上能够提供前所未有的机会来解决现有长期个人股票预测研究的不足。还值得注意的是，对评论与股票表现之间联系的初步探索大多只利用了一两个评论属性，例如评级或数量（Huang，2018；Chen et al.，2012；Luo and Zhang，2013；Luo et al.，2013），而忽略了其他可能提供意外预测力的信息。这些被刻意忽略的属性，例如订单日期和审核日期之间的时间差、卖家对审核的回复以及消费者用来发布审核的设备，将是预测个人层面长期回报的有希望的功能。本文完全基于在线评论，建立了一个预测单个股票长期收益的新框架，具有良好的绩效和实际意义。具体而言，来自JD。com是中国最大的自营在线零售商，收集了102家企业的1800多万条在线产品评论。总的来说，基于JDnew特征提取方法销售的我们的大多数产品，相应地派生和推断出了13个类别的7000多个特征。

在完成皮尔逊相关分析后，我们选择八周收益率作为长期预测目标。通过梯度推进算法对14688个固定周样本进行5-foldcross-validation，最终选择了6246个特征以去除噪声并获得相对较高的精度。基于这些特征，综合比较各种分类算法，包括最先进的解决方案和经典方法，表明XGB（极端梯度增强）是最佳模型，在5倍交叉验证中平均精度为59.65%。该模型在保持测试中的准确率达到61.02%，大大超过了模型，财务技术指标高达13.94%；这意味着它在实际应用中具有强大的潜力。更令人惊讶的是，我们的模型对收益分类的分界点也很稳健，在预测异常情况方面显示出更大的威力。有趣的是，为了获得最令人满意的精度，训练窗口的长度将近三年，这在理论上与形成abrand图像所需的时间一致。本文的其余部分组织如下。第2节讨论相关文献。第三节介绍了在线审查数据和股价数据。第4节描述了特征和目标，本节还进行了皮尔逊相关分析和目标选择。第5节描述了如何选择特征和构建分类模型，还进行了保持测试以评估现实投资中的绩效。第6节进一步测试了我们模型的可靠性，第7.2节给出了一个简短的结论。相关工作由于股票趋势预测在投资中的决定性作用，研究人员投入了大量精力对其进行研究。

在互联网引发的信息爆炸之前，技术分析是趋势预测的主要方法。自回归（AR）模型是最常用于平稳和线性时间序列的模型之一（Li等人，2016）。为了克服股票价格的非平稳和非线性性质，提出了非线性学习模型，以捕捉隐藏在市场趋势中的复杂模式（Nayak et al.，2015；Pan et al.，2017）。在最近神经网络兴起之后，更多的研究工作被分配到在财务预测中利用深度学习模型（Long等人，2019年；Gken等人，2016年；Kim和Ahn，2012年；Patel等人，2015年；OConnor和Madden，2006年）。技术分析的一个主要局限性是，它无法揭示仅通过价格变化控制市场动态的原则。因此，研究人员已经在市场之外寻找信息，以提高预测性能。大量的在线内容伴随着信息爆炸而来，如公司财务报告（Jones and Litzenberger，1970；Zhou et al.，2015，2017），财务新闻（Geva and Zahavi，2014；Li et al.，2014；Nassirtoussi et al.，2015），宏观经济兴衰的信号（Chen et al.，1986），社交媒体帖子中投资者情绪的反应和反映（Zhou等人，2018；Sun等人，2017；Ruan等人，2018；Zhang等人，2018；Li等人，2014），搜索引擎查询（Preis等人，2013；Engelbergand Gao，2011；Xu等人，2019）或分析师建议（Duan等人，2013）。人们从一个新的角度来更全面地理解股市，并使回报预测更准确。为了更好地预测市场趋势，人们曾多次尝试挖掘互联网数据。Dinget al.（2015）通过深度学习模型专注于事件驱动的股市预测。

Wang和Hua（2014）提出了一个文本回归模型来预测股票价格的波动性。Hagenau等人（2013年）提取了广泛的特征来表示非结构化文本数据，并对股票预测进行了稳健的特征选择，以提高准确性。Zhou等人（2016）专注于中国股市，将五种情绪分配给1000多万条与股票相关的推特，表明这些情绪的一部分可以用于预测中国股市指数。Wang et al.（2019）甚至建立了一个独立于预测的框架来融合各种类型的数据。然而，这些早期股票预测研究更关注每日价格变化，而非长期价格变化（Jasemi等人，2011；Chen和Chen，2015；Baralis等人，2017），因为对于人类和算法而言，短期预测的性能通常优于长期预测（Ding等人，2014；Zhang等人，2017）。与此同时，现有研究更多地关注整个市场的预测，例如指数预测（Hsu，2011；Chen和Chen，2015；Efendi et al.，2018），很少对个人股票进行回报预测，这在现实投资中更为实际和直接，尤其是考虑到中国大量缺乏经验和情绪化的个人投资者（Zhou et al.，2018）。在线评论是反映客户对产品和企业态度的一种新形式的互联网内容（Chevalier和Mayzlin，2006；Li和Hitt，2008），已被证明与公司未来的销售和盈利能力有关（Subrahmanyam和Titman，1999；Huang，2018）。Chevalier和Mayzlin（2006）发现，企业销售额与consumerreview评级呈正相关，Hu等人。

（2009）表明，在线评论评级降低了消费者的不确定性，尽管一些客户更喜欢消费体验中的一些不确定性（Martin等人，2007）。刘（2006）发现电影评论会影响票房收入。Senecal和Nantel（2004）表明，在购物决策中参考在线评论的消费者更有可能选择推荐的产品。Morgan和Rego（2006）认为，在客户中享有良好声誉的公司更有可能经历股权增长。Tellis和Johnson（2007）透露，投资者对企业产品的估值将受到产品质量审查评级的影响。由于持续时间长以及与品牌的内在关联性，因此在线评论确实提供了一个新的机会来克服现有研究在长期个股预测方面遇到的困难。初步检验了在线产品评论对股票收益的预测能力（Tirnillaiand Tellis，2012；Chen et al.，2012；Luo and Zhang，2013；Luo et al.，2013），特别是对短期价格变化的预测能力。Luo等人（2013年）认为，在线消费者评论与企业权益价值具有显著的预测关系。此外，Tirnillai和Tellis（2012）通过调查产品评论和股市变量之间的关系，发现了一个复杂的结果。然而，这些研究通常检查的公司相对较少。显然有一个例外：Fornell等人。