Publikace detail

PREDICTING ABNORMAL STOCK RETURN VOLATILITY USING TEXTUAL ANALYSIS OF NEWS - A META-LEARNING APPROACH

Autoři: Myšková Renáta | Hájek Petr | Olej Vladimír

Rok: 2018

Druh publikace: článek v odborném periodiku

Název zdroje: Amfiteatru Economic

Název nakladatele: Editura ASE

Místo vydání: Bukurešť

Strana od-do: 185-201

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte