Publikace detail

Predicting Abnormal Bank Stock Returns Using Textual Analysis of Annual Reports – A Neural Network Approach

Autoři: Hájek Petr | Boháčová Jana

Rok: 2016

Druh publikace: článek ve sborníku

Název zdroje: Communications in Computer and Information Science

Název nakladatele: Springer

Místo vydání: Heidelberg

Strana od-do: 67-78

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Predikce abnormálních výnosů bank pomocí textové analýzy výročních zpráv - Přístup založený na neuronových sítích	Tento článek si klade za cíl získávat z výročních zpráv amerických bank jak sentiment, tak informaci ve formě bag-of-words. Analýza sentimentu je založena na dvou běžně používaných finančních slovnících, zatímco bag-of-words jsou vybírány v závislosti na tf-idf. Kombinujeme tyto atributy společně s finančními ukazateli s cílem predikce abnormálních výnosů bank pomocí neuronové sítě s regularizací a rektifikovanými lineárními jednotkami. Ukázali jsme, že tato metoda překonává ostatní algoritmy strojového učení (Naivní Bayes, podpůrné vektorové stroje, rozhodovací strom C4.5 a klasifikátor k-nejbližšího souseda) v predikci pozitivních/negativních abnormálních výnosů. Proto se tato neuronová síť zdá být vyhovující pro úlohy klasifikace textu, kde se pracuje s řídkými vysoce dimenzionálními daty. Také ukazujeme, že se kvalita predikce významně zvýšila při použití kombinace finančních ukazatelů a bigramů (trigramů).	Výnos akcie; predikce; text mining; sentiment; neuronová síť
eng	Predicting Abnormal Bank Stock Returns Using Textual Analysis of Annual Reports – A Neural Network Approach	This paper aims to extract both sentiment and bag-of-words information from the annual reports of U.S. banks. The sentiment analysis is based on two commonly used finance-specific dictionaries, while the bag-of-words are selected according to their tf-idf. We combine these features with financial indicators to predict abnormal bank stock returns using a neural network with dropout regularization and rectified linear units. We show that this method outperforms other machine learning algorithms (Naïve Bayes, Support Vector Machine, C4.5 decision tree, and k-nearest neighbour classifier) in predicting positive/negative abnormal stock returns. Thus, this neural network seems to be well suited for text classification tasks working with sparse high-dimensional data. We also show that the quality of the prediction significantly increased when using the combination of financial indicators and bigrams and trigrams, respectively.	Stock return; Prediction; Text mining; Sentiment; Neural network

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte