Publikace detail

Forecasting stock prices using sentiment information in annual reports - A neural network and support vector regression approach

Autoři: Hájek Petr | Olej Vladimír | Myšková Renáta

Rok: 2013

Druh publikace: článek v odborném periodiku

Název zdroje: WSEAS Transactions on Business and Economics

Název nakladatele: WSEAS Press

Místo vydání: Atény

Strana od-do: 293-305

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Predikce cen akcií pomocí informace o sentimentu z výročních zpráv - přístup založený na neuronových sítích a podpůrné vektorové regresi	Predikce cen akcií je většinou realizována s využitím kvantitativní informace. Nedávné studie však demonstrují, že informace o sentimentu skrytá ve výročních zprávách podniků může být úspěšně využita při predikci krátkodobých akciových výnosů. Metody soft computingu, jako jsou neuronové sítě a podpůrná vektorová regrese, ukázaly slibné výsledky v predikci cen akcií, neboť jsou schopny modelovat komplexní nelineární systémy. V tomto článku je aplikováno několik modelů neuronových sítí a podpůrných vektorových regresí s cílem predikce ročních změn cen akcí amerických firem. Ukazujeme, že tyto modely pracují s vyšší přesností než lineární regresní modely, obzvláště při využití informace o sentimentu. Změna v sentimentu výročních zpráv se zdá být důležitý determinant dlouhodobé změny ceny akcie. Konkrétně jsou to kategorie slov negativní a neurčitosti, které byly pro predikci klíčové. Rentabilita a technická analýza vykázala také významný dlouhodobý efekt.
eng	Forecasting stock prices using sentiment information in annual reports - A neural network and support vector regression approach	Stock price forecasting has been mostly realized using quantitative information. However, recent studies have demonstrated that sentiment information hidden in corporate annual reports can be successfully used to predict short-run stock price returns. Soft computing methods, like neural networks and support vector regression, have shown promising results in the forecasting of stock price due to their ability to model complex non-linear systems. In this paper, we apply several neural networks and ?-support vector regression models to predict the yearly change in the stock price of U.S. firms. We demonstrate that neural networks and ?-support vector regression perform better than linear regression models especially when using the sentiment information. The change in the sentiment of annual reports seems to be an important determinant of long-run stock price change. Concretely, the negative and uncertainty categories of terms were the key factors of the stock price return. Profitability and technical analysis ratios have significant effect on the long-run return, too.	support vector regression; annual report; forecasting; neural networks; prediction; sentiment analysis; stock price

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte