信息表示的较量：情感特征与语义特征在预测市场趋势中的比较
机器学习
2023-03-28 v1
摘要
借助机器学习方法研究股票市场是揭示隐藏市场规律的重要方向。此类知识有助于深入理解金融市场动态并获取行为洞察，而这是传统分析方法难以发现的。股票价格与世界事件和社会认知本就相互关联。因此，在构建股价预测模型时，关键环节在于纳入通过新闻和社交媒体帖子所反映的外界信息。为此，研究者利用隐式或显式的知识表示：(1) 从文本中提取的情感，或 (2) 原始文本嵌入。然而，关于这些方法对金融模型预测能力影响的直接比较研究极少。本文旨在弥补这一空白，探明以上下文嵌入形式存在的语义特征是否比情感属性更有助于预测市场趋势。我们考虑与 NASDAQ 中市值最大公司相关的 Twitter 帖子语料及其收盘价。首先，我们展示了推文情感与公司股价波动性之间的联系。在确认该关系存在后，我们训练了 Temporal Fusion Transformer 模型进行价格预测，并分别补充推文情感或推文嵌入。结果表明，在绝大多数情况下，使用情感特征能带来更高的指标。值得注意的是，上述结论仅在所考虑的涉及 Twitter 帖子和大型科技公司股票的情境下成立。
引用
@article{arxiv.2303.14221,
title = {The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends},
author = {Andrei Zaichenko and Aleksei Kazakov and Elizaveta Kovtun and Semen Budennyy},
journal= {arXiv preprint arXiv:2303.14221},
year = {2023}
}