Realised Volatility Forecasting: Machine Learning via Financial Word Embedding

要約

この研究では、15 年間のビジネス ニュース アーカイブから編集された金融単語埋め込みである FinText を開発しています。
結果は、FinText が、私たちが導入した金本位制の金融ベンチマークに基づいて、一般的な単語埋め込みよりも大幅に正確な結果を生成することを示しています。
よく知られている計量経済モデルとは対照的に、2007 年 7 月 27 日から 2022 年 1 月 27 日までの 2007 年 7 月 27 日から 2022 年 1 月 27 日までの 23 の NASDAQ 株式のサンプル期間にわたって、株式関連のニュースを使用して、さまざまな単語の埋め込みによってサポートされる単純な自然言語処理モデルは、高い
ボラティリティの日。
実現ボラティリティ予測パフォーマンスのこの改善により、一般的なホット ニュースが使用される通常のボラティリティ日に切り替わります。
また、Explainable AI 手法である SHAP を利用して、ボラティリティを動かした株式関連および一般的なホット ニュースのキー フレーズを特定して分類します。

要約(オリジナル)

This study develops FinText, a financial word embedding compiled from 15 years of business news archives. The results show that FinText produces substantially more accurate results than general word embeddings based on the gold-standard financial benchmark we introduced. In contrast to well-known econometric models, and over the sample period from 27 July 2007 to 27 January 2022 for 23 NASDAQ stocks, using stock-related news, our simple natural language processing model supported by different word embeddings improves realised volatility forecasts on high volatility days. This improvement in realised volatility forecasting performance switches to normal volatility days when general hot news is used. By utilising SHAP, an Explainable AI method, we also identify and classify key phrases in stock-related and general hot news that moved volatility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google