基于监管披露文本挖掘的股指长期预测
应用统计
2018-06-27 v1
摘要
已知股票估值会随进入市场的新信息（如监管披露）而调整。我们研究此类新闻项目的语言是否能够改进股指的短期尤其是长期（24个月）预测。为此，本文利用适用于高维数据的预测模型，并具体比较数据驱动与知识驱动的降维技术以避免过拟合。基于1996–2016年75,927份临时公告的实验揭示如下结果：长期来看，文本模型在统计显著水平上成功将预测误差降低至低于历史滞后的基线预测。我们的研究对金融市场决策支持的业务应用具有启示，尤其考虑到指数ETF（交易所交易基金）的日益普及。
引用
@article{arxiv.1806.09866,
title = {Long-term stock index forecasting based on text mining of regulatory disclosures},
author = {Stefan Feuerriegel and Julius Gordon},
journal= {arXiv preprint arXiv:1806.09866},
year = {2018}
}
备注
Accepted at Decision Support Systems journal