Application of Machine Learning With News Sentiment in Stock Trading Strategies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study empirically tested the feasibility of machine learning in trading strategies using technical indicators and news information as the feature variables for machine learning. Six indicators were adopted in this study, including moving average (MA), moving average convergence/divergence (MACD), relative strength index (RSI), stochastic oscillator (KD), and on-balance volume (OBV), and news sentiment ratio (SR) developed in this study via text mining. Selected machine learning models, including support vector machine (SVM), eXtreme Gradient Boosting (XGBoost), recurrent neural network (RNN), and long short-term memory (LSTM), were also employed for investigation. This study backtested the daily historical data of the constituent stocks in the Taiwan Top 50 ETF from January 1, 2003, to December 31, 2018, using three categories of trading strategies along with conventional and countertrend operations. The following conclusions were drawn after analyzing the performance of these trading strategies via various means: 1. Technical indicators such as MA, MACD, and RSI performed poorly in most cases. 2. Specific parameters were of relative importance to several technical indicators, including MA, MACD, RSI, and OBV. 3. OBV was a technical indicator with a positive impact on trading strategies. 4. The machine learning-based XGBoost models were able to outperform trading strategies with technical indicators under specific scenarios. 5. SR, the news sentiment ratio developed in this study, could not significantly improve the performance of machine learning models. The empirical results of this study suggest that these machine-learning models are capable of analyzing long-term stock price movements to some extent.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle