Login for students

Login for employees

Publication detail

Predicting stock return volatility using sentiment analysis of corporate annual reports
Authors: Hájek Petr | Myšková Renáta | Olej Vladimír
Year: 2021
Type of publication: kapitola v odborné knize
Name of source: Essentials of Machine Learning in Finance and Accounting
Publisher name: Taylor & Francis Ltd.
Place: Abingdon
Page from-to: 75-95
Titles:
Language Name Abstract Keywords
cze Predikce volatility výnosů akcií pomocí analýzy sentimentu z výročních zpráv společností Tato kapitola se zaměřuje na krátkodobou volatilitu podnikových akcií a příčiny, které ji vyvolaly, a odvozuje implikovanou volatilitu na základě historické volatility. Chin a kol. zkoumali vazby mezi volatilitou akciových trhů, tržním sentimentem, makroekonomickými ukazateli a volatilitou spreadů v rámci přetrvávající dlouhodobé složky a dočasné krátkodobé složky. Nenašli žádný empirický důkaz o souvislosti mezi volatilní složkou a makroekonomickými ukazateli, ale zjistili, že přechodná složka souvisí s výkyvy tržního sentimentu. Cílem kapitoly je navrhnout model založený na strojovém učení pro predikci krátkodobé volatility akciových výnosů a pomocí navrženého modelu studovat vliv předkládání výročních zpráv na abnormální změny akciových výnosů firem. Prokazuje, že vytěžování výročních zpráv firem může být účinné při předpovídání krátkodobé volatility akciových výnosů s využitím třídenního okna událostí.
eng Predicting stock return volatility using sentiment analysis of corporate annual reports This chapter focuses on the short-term volatility of corporate stocks and the causes that triggered it, and derives implied volatility based on historical volatility. Chin et al. examined the links among stock market volatility, market sentiment, macroeconomic indicators, and spread volatility over the persisting long-term component and the temporary short-term component. They found no empirical evidence of the link between the volatile component and macroeconomic indicators but found that the intermediate component was linked to variations in market sentiment. The chapter aims to propose a machine learning-based model for predicting short-term stock return volatility and study the effect of annual report filing on abnormal changes in firms’ stock returns using the proposed model. It demonstrates that mining corporate annual reports can be effective in predicting short-term stock return volatility using a three-day event window. text mining; sentiment; annual reports; stock return volatility

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 4.0