PrivySense：基于价格 volatility 的金融新闻情绪机器学习估计
计算金融
2018-02-23 v2
摘要
随着机器学习登上计算机科学时代精神之巅，使用各类文本数据进行情绪分析的应用与实验似乎无处不在。由于诸多原因，该效应在证券投资策略制定中尤为显著，包括实现相对容易，以及大量学术研究指出自动化情绪分析可有效地用于交易策略。此类分析器的源数据涵盖广泛频谱，如社交媒体推送、微博、实时新闻流、事后金融数据等。这些分析器背后的抽象技术涉及情绪分类的监督学习，其中分类器在标注源语料上训练，并通过测试分类器对语料中未见过测试数据的泛化能力来衡量准确率。在训练与拟合模型验证后，分类器被用于执行交易策略，相应收益与适当基准收益（例如标普500收益）比较。本文中，我们引入一种利用价格波动性经验确定新闻数据情绪的新技术，而非传统的反向方法。我们还通过评估现有情绪分类器的效能以及证券交语境下情绪的精确定义来进行元情绪分析。我们审视了使用人工标注情绪分类的效能，以及其在现有金融新闻情绪分类器中引入主观偏差的默认假设。
引用
@article{arxiv.1801.00091,
title = {PrivySense: $\underline{Pri}$ce $\underline{V}$olatilit$\underline{y}$ based $\underline{Sen}$timent$\underline{s}$ $\underline{E}$stimation from Financial News using Machine Learning},
author = {Raeid Saqur and Nicole Langballe},
journal= {arXiv preprint arXiv:1801.00091},
year = {2018}
}
备注
Initial draft, updates are w.i.p