Un enfoque de aprendizaje profundo con un análisis de sentimientos extenso para la inversión cuantitativa
Autores: Li, Wang; Hu, Chaozhu; Luo, Youxi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque de aprendizaje profundo con un análisis de sentimientos extenso para la inversión cuantitativa
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aprendizaje profundo
Inversión cuantitativa
Mercado de valores
Información de noticias
Datos de trading
Modelo neuronal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
Recientemente, la inversión cuantitativa basada en el aprendizaje profundo está desempeñando un papel cada vez más importante en el campo de las finanzas. Sin embargo, debido a la complejidad del mercado de valores, establecer métodos efectivos de inversión cuantitativa enfrenta desafíos desde varios aspectos debido a la complejidad del mercado de valores. La investigación existente ha utilizado de manera insuficiente la información de noticias sobre acciones, pasando por alto detalles significativos dentro del contenido de las noticias. Al construir un modelo híbrido profundo para el análisis integral de datos comerciales históricos e información de noticias, complementado con estrategias de negociación de impulso, este documento introduce un enfoque novedoso de inversión cuantitativa. Por primera vez, consideramos completamente dos dimensiones de noticias, incluidos titulares y contenidos, y exploramos aún más su impacto combinado en la modelización del precio de las acciones. Nuestro enfoque emplea inicialmente análisis fundamental para filtrar acciones valiosas. Posteriormente, construimos factores técnicos basados en datos comerciales históricos. Luego integramos titulares de noticias y contenido resumido a través de modelos de lenguaje para extraer información semántica y representaciones. Por último, construimos un modelo neuronal profundo para capturar características globales combinando factores técnicos con representaciones semánticas, lo que permite la predicción de acciones y decisiones comerciales. Los resultados empíricos realizados en más de 4000 acciones del mercado de valores chino demostraron que la incorporación de contenido de noticias enriqueció la información semántica y mejoró la objetividad en el análisis de sentimientos. Nuestro método propuesto logró una tasa de rendimiento anualizada del 32.06% con una tasa de reducción máxima del 5.14%. Superó significativamente al índice CSI 300, lo que indica su aplicabilidad para guiar a los inversores en la toma de estrategias de inversión más efectivas y lograr rendimientos considerables.
Descripción
Recientemente, la inversión cuantitativa basada en el aprendizaje profundo está desempeñando un papel cada vez más importante en el campo de las finanzas. Sin embargo, debido a la complejidad del mercado de valores, establecer métodos efectivos de inversión cuantitativa enfrenta desafíos desde varios aspectos debido a la complejidad del mercado de valores. La investigación existente ha utilizado de manera insuficiente la información de noticias sobre acciones, pasando por alto detalles significativos dentro del contenido de las noticias. Al construir un modelo híbrido profundo para el análisis integral de datos comerciales históricos e información de noticias, complementado con estrategias de negociación de impulso, este documento introduce un enfoque novedoso de inversión cuantitativa. Por primera vez, consideramos completamente dos dimensiones de noticias, incluidos titulares y contenidos, y exploramos aún más su impacto combinado en la modelización del precio de las acciones. Nuestro enfoque emplea inicialmente análisis fundamental para filtrar acciones valiosas. Posteriormente, construimos factores técnicos basados en datos comerciales históricos. Luego integramos titulares de noticias y contenido resumido a través de modelos de lenguaje para extraer información semántica y representaciones. Por último, construimos un modelo neuronal profundo para capturar características globales combinando factores técnicos con representaciones semánticas, lo que permite la predicción de acciones y decisiones comerciales. Los resultados empíricos realizados en más de 4000 acciones del mercado de valores chino demostraron que la incorporación de contenido de noticias enriqueció la información semántica y mejoró la objetividad en el análisis de sentimientos. Nuestro método propuesto logró una tasa de rendimiento anualizada del 32.06% con una tasa de reducción máxima del 5.14%. Superó significativamente al índice CSI 300, lo que indica su aplicabilidad para guiar a los inversores en la toma de estrategias de inversión más efectivas y lograr rendimientos considerables.