Login for students

Login for employees

Publication detail

PREDICTING ABNORMAL STOCK RETURN VOLATILITY USING TEXTUAL ANALYSIS OF NEWS - A META-LEARNING APPROACH
Authors: Myšková Renáta | Hájek Petr | Olej Vladimír
Year: 2018
Type of publication: článek v odborném periodiku
Name of source: Amfiteatru Economic
Publisher name: Editura ASE
Place: Bukurešť
Page from-to: 185-201
Titles:
Language Name Abstract Keywords
cze Predikce abnormální volatility akciových výnosů pomocí textové analýzy zpráv – Přístup založený na meta-učení Při předvídání cen akcií je stále důležitější textová analýza novinových článků. Dřívější výzkum intenzivně využíval textové analýzy zpráv a dalších podnikových dokumentů v modelech predikce volatility. Bylo prokázáno, že zprávy mohou souviset s abnormálním chováním cen akcií po jejich šíření. Dřívější předchozí studie se však zaměřily na metody lineární regrese při předvídání volatility. Zde uvádíme, že nelineární modely mohou být efektivně použity k vysvětlení volatility ceny akcií. Kromě toho používáme metodu meta-učení, která simuluje rozhodovací proces různých investorů. Výsledky naznačují, že tento přístup výrazně zlepšuje přesnost předpovědi abnormální volatility výnosu akcií. Skutečnost, že délka zpravodajských článků je důležitější než zpravodajské sentimenty při předvídání volatility výnosu akcií, je dalším důležitým zjištěním. Především ukazujeme, že rotační stromy mají obzvláště dobrou výkonnost co se týká přesnosti predikce volatility na nevybalancovaných datech. volatilita výnosu akcií; predikce; textová analýza; sentiment; meta-učení
eng PREDICTING ABNORMAL STOCK RETURN VOLATILITY USING TEXTUAL ANALYSIS OF NEWS - A META-LEARNING APPROACH Textual analysis of news articles is increasingly important in predicting stock prices. Previous research has intensively utilized the textual analysis of news and other firm-related documents in volatility prediction models. It has been demonstrated that the news may be related to abnormal stock price behavior subsequent to their dissemination. However, previous studies to date have tended to focus on linear regression methods in predicting volatility. Here, we show that non-linear models can be effectively employed to explain the residual variance of the stock price. Moreover, we use meta-learning approach to simulate the decision-making process of various investors. The results suggest that this approach significantly improves the prediction accuracy of abnormal stock return volatility. The fact that the length of news articles is more important than news sentiment in predicting stock return volatility is another important finding. Notably, we show that Rotation forest performs particularly well in terms of both the accuracy of abnormal stock return volatility and the performance on imbalanced volatility data. stock return volatility; prediction; textual analysis; sentiment; meta-learning

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives