AZFinText
 | Судя по всему, основной автор этой статьи тесно связан с ее предметом. ( февраль 2022 г. ) |
Arizona Financial Text System ( AZFinText ) — это текстовая система количественного финансового прогнозирования, написанная Робертом П. Шумейкером из Техасского университета в Тайлере и Синьчуном Ченом из Университета Аризоны .
Система
[ редактировать ]Эта система отличается от других систем тем, что она использует финансовый текст как одно из ключевых средств прогнозирования движения цен на акции. Это уменьшает проблему задержки информации, наблюдаемую во многих подобных системах, где необходимо расшифровать новую информацию (например, в случае проигрыша дорогостоящего судебного разбирательства или отзыва продукта), прежде чем количественный анализатор сможет отреагировать соответствующим образом. AZFinText преодолевает эти ограничения, используя термины, используемые в статьях финансовых новостей, для прогнозирования будущих цен на акции через двадцать минут после публикации новостной статьи. [1]
Считается, что некоторые термины статей могут двигать акции больше, чем другие. Такие условия, как взрыв фабрики или забастовка рабочих, окажут угнетающее воздействие на цены акций, тогда как такие условия, как рост доходов, будут иметь тенденцию к увеличению цен на акции.
Когда эксперт по трейдингу увидит определенные термины, он отреагирует несколько предсказуемым образом. AZFinText извлекает выгоду из арбитражных возможностей, которые существуют, когда эксперты по инвестициям слишком или недостаточно реагируют на определенные новости. Анализируя последние статьи о финансовых новостях и сосредотачиваясь на конкретных частях речи, выборе портфеля, взвешивании терминов и даже настроении статей, система AZFinText становится мощным инструментом и радикально иным способом взглянуть на прогнозирование фондового рынка.
Обзор исследований
[ редактировать ]Основу AZFinText можно найти в статье ACM TOIS. [2] В рамках этой статьи авторы протестировали несколько различных моделей прогнозирования и лингвистических текстовых представлений. В результате этой работы было обнаружено, что использование терминов статьи и цены акций на момент выпуска статьи было наиболее эффективной моделью, а использование имен собственных было наиболее эффективным методом текстового представления. Объединив эти два фактора, AZFinText получила торговую прибыль в размере 2,84% за пятинедельный период исследования.
Затем AZFinText был расширен для изучения того, какое сочетание равноправных организаций помогает лучше всего обучать систему. [3] Используя предпосылку, что IBM имеет больше общего с Microsoft , чем с GM , AZFinText изучила влияние различных наборов однорангового обучения. Для этого AZFinText провел обучение на различных уровнях GICS и оценил результаты. Было обнаружено, что отраслевое обучение было наиболее эффективным: прибыль от торговли составила 8,50%, что превзошло Джима Крамера , Джима Джубака и DayTraders.com за период исследования. AZFinText также сравнили с 10 лучшими количественными системами и превзошли 6 из них.
Третье исследование изучало роль формирования портфеля в системе текстового финансового прогнозирования. [4] На основе этого исследования были созданы и протестированы портфели акций Momentum и Contrarian. Используя предпосылку о том, что прошлые выигрышные акции будут продолжать выигрывать, а прошлые убыточные акции будут продолжать проигрывать, AZFinText получила прибыль в размере 20,79% за период исследования. Было также отмечено, что трейдеры, как правило, слишком остро реагировали на новостные события, создавая возможность аномальной доходности.
Четвертое исследование изучало использование настроений авторов в качестве дополнительной прогностической переменной. [5] Используя предпосылку, что автор может невольно влиять на рыночные сделки просто с помощью терминов, которые он использует, AZFinText был протестирован с использованием функций тона и полярности. Было обнаружено, что на рынке наблюдалась противоположная активность: цены на статьи положительного тона снижались, а цены на статьи отрицательного тона увеличивались.
Дальнейшее исследование выявило, какие глаголы артикля оказывают наибольшее влияние на движение цен на акции. [6] В результате этой работы было обнаружено, что посаженные , анонсированные , передние , меньшие и сырые акции оказали наибольшее положительное влияние на цену акций.
Заметная реклама
[ редактировать ]AZFinText стал темой обсуждения во многих СМИ. Некоторые из наиболее известных из них включают The Wall Street Journal , [7] Обзор технологий MIT , [8] Новостная лента Доу-Джонса , [9] ВБИР [10] в Ноксвилле, Теннесси, Слэшдот [11] и другие средства массовой информации.
Ссылки
[ редактировать ]- ^ Шумейкер, Р., (2006). Текстовый анализ прогнозов фондового рынка с использованием статей о финансовых новостях . 12-я Американская конференция по информационным системам (AMCIS-2006) , август 2006 г. Акапулько, Мексика.
- ^ Шумейкер Р. и Чен Х. (2009). Текстовый анализ прогнозов фондового рынка с использованием последних финансовых новостей . Ассоциация по транзакциям вычислительной техники в информационных системах , 27 (2).
- ^ Шумейкер Р. и Чен Х. (2009). Система количественного прогнозирования акций, основанная на финансовых новостях . Обработка информации и управление , 45(5): 571-583.
- ^ Шумейкер Р. и Чен Х. (2008). Оценка количественного трейдера, осведомленного о новостях: влияние импульса и противоположных стратегий выбора акций . Журнал Американского общества информатики и технологий , 59(2): 247-255.
- ^ Шумейкер Р., Чжан Ю. и Хуанг К. (2008). Анализ настроений в статьях финансовых новостей . 20-я ежегодная конференция Международной ассоциации управления информацией , октябрь 2009 г. Хьюстон, Техас.
- ^ Шумейкер, Р., (2010). Анализ глаголов в статьях финансовых новостей и их влияние на цену акций . Семинар NAACL по социальным сетям и компьютерной лингвистике , июнь 2010 г. Лос-Анджелес, Калифорния.
- ^ Валентино-ДеВрис, Дженнифер (21 июня 2010 г.). «Использование искусственного интеллекта для обработки новостей и торговли акциями» . Уолл Стрит Джорнал . Проверено 20 января 2017 г.
- ^ Мимс, К. (10 июня 2010 г.). «ИИ, который выбирает акции лучше, чем профессионалы» . Обзор технологий Массачусетского технологического института .
- ^ Субсин Н. (24 ноября 2010 г.). «Информационный бюллетень по алгоритмическим и торговым продуктам». Новостная лента Доу-Джонса .
- ^ «ИИ, который выбирает акции лучше, чем профессионалы». ВБИР . 10 июня 2010 г.
- ^ «Квантовый ИИ выбирает акции лучше, чем люди». Слэшдот . 12 июня 2010 г.