Publikace detail

Predicting stock return volatility using sentiment analysis of corporate annual reports

Autoři: Hájek Petr | Myšková Renáta | Olej Vladimír

Rok: 2021

Druh publikace: kapitola v odborné knize

Název zdroje: Essentials of Machine Learning in Finance and Accounting

Název nakladatele: Taylor & Francis Ltd.

Místo vydání: Abingdon

Strana od-do: 75-95

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte