核心概念
Effektive Vorhersage von Finanzrenditen durch Sentiment-Analyse mit FinBERT.
要約
In dieser Studie wird die Wirksamkeit der Sentiment-Analyse für die Vorhersage von Finanzrenditen untersucht. Durch die Verwendung des FinBERT-Modells werden Sentiment-Informationen aus Tweets extrahiert, um eine optimale Merkmalsauswahl zu treffen. Die Kombination von BO-RFE und Korrelationsanalyse führt zu überlegenen Ergebnissen mit einem F1-Score von über 70% und höheren Gewinnen im Handel. Die Studie konzentriert sich auf SPY ETF-Daten und Tweets von StockTwits.
I. EINLEITUNG
- Vorhersage des Vorzeichens von Finanzrenditen bleibt eine Herausforderung.
- Sentiment-Analyse aus Textdaten kann Vorhersagemodelle verbessern.
- Verwendung von NLP-Techniken und des VADER-Algorithmus für Sentiment-Klassifizierung.
II. DATENSATZ
- Finanzzeitreihen des SPDR S&P 500 ETF (SPY) und Tweets von StockTwits.
III. TWEETS-KLASSIFIZIERUNG UND SENTIMENT-BEWERTUNG
- FinBERT für die Klassifizierung von Finanzsentiment in Tweets.
- Sentiment-Score zur Bewertung von Gesamtstimmungstrends.
IV. BAYESIAN-OPTIMIERTE REKURSIVE MERKMALSSELEKTION
- BO-RFE zur Extraktion optimaler Merkmale für Vorhersagemodelle.
V. KORRELATIONSANALYSE
- Korrelationsanalyse zwischen FinBERT-klassifizierten Tweets und Renditen.
- Einbeziehung zusätzlicher Regressoren für verbesserte Vorhersagen.
VI. DAS VORHERSAGEMODELL
- Verwendung eines SVM-Modells für die Vorhersage von Renditezeichen.
VII. EXPERIMENTELLE ERGEBNISSE
- Leistungsmetriken für verschiedene Strategien in einem Testset.
- Handelssimulation zeigt die Auswirkungen der Merkmalsauswahl auf die Gewinne.
統計
Durch die Kombination von BO-RFE und Korrelationsanalyse wird ein F1-Score von über 70% erreicht.
Die BO-RFE-5-Strategie erzielt eine Genauigkeit von 64,1% und einen F1-Score von über 70%.
引用
"Sentiment-basierte Merkmale spielen eine entscheidende Rolle."
"BO-RFE-5 zeigt eine signifikante Leistungssteigerung."