PrivySense：基于价格波动的情感估计——使用机器学习从金融新闻中
摘要：机器学习在计算机科学领域逐渐占据主导地位，使用各种形式的文本数据进行情感分析的使用和实验似乎无处不在。这种影响在制定证券交易策略方面尤为显著，原因包括实施相对简单以及丰富的学术研究表明自动情感分析可用于交易策略。这些分析器的源数据范围广泛，如社交媒体动态、微博、实时新闻动态、事后金融数据等。这些分析器的抽象技术涉及情感分类的监督学习，其中分类器是在带标注的源语料库上进行训练的，并通过测试分类器在未见过的测试数据上的泛化效果来衡量准确性。在训练和验证拟合模型之后，分类器用于执行交易策略，并将相应的收益与适当的基准收益进行比较（例如，S&P500收益）。 在本文中，我们介绍了一种新颖的技术，即使用价格波动来经验性地确定新闻数据中的情感，而不是传统的反向方法。我们还通过评估现有情感分类器的有效性和在证券交易背景下确定情感的精确定义来进行元情感分析。我们仔细研究了使用人工标注的情感分类和引入主观偏见的暗含假设在现有金融新闻情感分类器中的有效性。
作者：Raeid Saqur and Nicole Langballe
论文ID：1801.00091
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2018-02-23