Newscats uma categorização de notícias e sistema de negociação

Previsão de estoque: uma abordagem baseada em eventos baseada em palavras-chave explosivas.
Di Wu Gabriel Pui Cheong Fung Jeffrey Xu Yu E-mail autor Qi Pan.
Existem muitas aplicações reais existentes onde o processo de tomada de decisão depende de um modelo construído pela coleta de informações de diferentes fontes de dados. Deixe-nos levar o mercado de ações como um exemplo. O processo de tomada de decisão depende de um modelo que seja influenciado por fatores como preços de ações, volumes cambiais, índices de mercado (por exemplo, índice Dow Jones), artigos de notícias e anúncios governamentais (por exemplo, o aumento do imposto de selo). No entanto, a modelagem do mercado de ações é uma tarefa desafiadora porque (1) o processo relacionado aos estados de mercado (estado de subida / queda) é um processo estocástico, difícil de capturar usando a abordagem determinística e (2) o estado do mercado é invisível, mas será influenciado pela informação visível do mercado, como preços de ações e artigos de notícias. Neste artigo, propomos uma abordagem para modelar o processo do mercado de ações usando um modelo de Markov oculto não homogêneo (NHMM). É necessário levar em consideração os preços das ações e os artigos de notícias quando está sendo computado. Uma característica única da nossa abordagem é orientada para eventos. Identificamos eventos associados para um estoque específico usando um conjunto de características explosivas (palavras-chave), que tem um impacto significativo nas mudanças no preço das ações ao construir o NHMM. Nós aplicamos o modelo para prever a tendência dos preços futuros das ações e os resultados encorajadores indicam que nossa abordagem proposta é praticamente sólida e altamente efetiva.
Preview.
Referências.
Informações sobre direitos autorais.
Autores e afiliações.
Di Wu 1 Gabriel Pui Cheong Fung 2 Jeffrey Xu Yu 1 Autor de e-mail Qi Pan 1 1. Departamento de Engenharia de Sistemas e Gestão de Engenharia A Universidade Chinesa de Hong Kong Hong Kong China 2. Escola de Tecnologia da Informação e Engenharia Elétrica Universidade de Queensland Queensland Austrália .
Sobre este artigo.
Recomendações personalizadas.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Acesso ilimitado ao artigo completo Download instantâneo Inclua o imposto de vendas local, se aplicável.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Havaí.
Interesses relacionados.
Classificação e Estatísticas.
Opções de compartilhamento.
Ações de documentos.
As páginas 2 a 10 não são mostradas nesta pré-visualização.
Documentos recomendados.
Documentos semelhantes ao Havaí.
Documentos sobre a máquina do vetor de suporte.
Documentos sobre negociação algorítmica.
Menu de Rodapé.
Legal.
Mídia social.
Direitos autorais e cópia; 2018 Scribd Inc. Procure livros. Site móvel. Diretório do site. Idioma do site:
Você tem certeza?
Esta ação pode não ser possível desfazer. Você tem certeza que quer continuar?
Tem certeza de que deseja excluir esta lista?
Tudo o que você selecionou também será removido de suas listas.
Este livro também será removido de todas as suas listas.
Nós temos títulos com curadoria que achamos que você adorará.

Previsão de estoque: uma abordagem baseada em eventos baseada em palavras-chave explosivas.
Di Wu Gabriel Pui Cheong Fung Jeffrey Xu Yu E-mail autor Qi Pan.
Existem muitas aplicações reais existentes onde o processo de tomada de decisão depende de um modelo construído pela coleta de informações de diferentes fontes de dados. Deixe-nos levar o mercado de ações como um exemplo. O processo de tomada de decisão depende de um modelo que seja influenciado por fatores como preços de ações, volumes cambiais, índices de mercado (por exemplo, índice Dow Jones), artigos de notícias e anúncios governamentais (por exemplo, o aumento do imposto de selo). No entanto, a modelagem do mercado de ações é uma tarefa desafiadora porque (1) o processo relacionado aos estados de mercado (estado de subida / queda) é um processo estocástico, difícil de capturar usando a abordagem determinística e (2) o estado do mercado é invisível, mas será influenciado pela informação visível do mercado, como preços de ações e artigos de notícias. Neste artigo, propomos uma abordagem para modelar o processo do mercado de ações usando um modelo de Markov oculto não homogêneo (NHMM). É necessário levar em consideração os preços das ações e os artigos de notícias quando está sendo computado. Uma característica única da nossa abordagem é orientada para eventos. Identificamos eventos associados para um estoque específico usando um conjunto de características explosivas (palavras-chave), que tem um impacto significativo nas mudanças no preço das ações ao construir o NHMM. Nós aplicamos o modelo para prever a tendência dos preços futuros das ações e os resultados encorajadores indicam que nossa abordagem proposta é praticamente sólida e altamente efetiva.
Preview.
Referências.
Informações sobre direitos autorais.
Autores e afiliações.
Di Wu 1 Gabriel Pui Cheong Fung 2 Jeffrey Xu Yu 1 Autor de e-mail Qi Pan 1 1. Departamento de Engenharia de Sistemas e Gestão de Engenharia A Universidade Chinesa de Hong Kong Hong Kong China 2. Escola de Tecnologia da Informação e Engenharia Elétrica Universidade de Queensland Queensland Austrália .
Sobre este artigo.
Recomendações personalizadas.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Acesso ilimitado ao artigo completo Download instantâneo Inclua o imposto de vendas local, se aplicável.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Newscats um sistema de categorização e comércio de notícias
Puxe pedidos 0.
Mostrando 29 arquivos alterados com 19.557 adições e 0 exclusões.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Grandes diffs não são renderizados por padrão.
Opa, algo deu errado. Tente novamente.
Opa, algo deu errado. Tente novamente.
0 comentários sobre commit 09299af.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.

Avaliação de estratégias de negociação baseadas em notícias.
Stefan Feuerriegel E-mail autor Dirk Neumann.
A maravilha dos mercados reside no fato de que a informação dispersa é instantaneamente processada ajustando o preço dos bens, serviços e ativos. Os mercados financeiros são particularmente eficientes quando se trata de informações de processamento; Essas informações normalmente são incorporadas em notícias textuais que são então interpretadas pelos investidores. Recentemente, os pesquisadores começaram a determinar automaticamente o sentimento das notícias para explicar os movimentos dos preços das ações. Curiosamente, esse chamado sentimento de notícias funciona bastante bem na explicação dos retornos das ações. Neste trabalho, tentamos projetar estratégias de negociação baseadas em notícias textuais para obter lucros maiores do que as estratégias de benchmark alcançarem. Essencialmente, conseguimos mostrar evidências de que uma estratégia de negociação baseada em notícias supera de fato nossos benchmarks por uma performance de 9.06 vezes.
Referências.
Informações sobre direitos autorais.
Autores e afiliações.
Stefan Feuerriegel 1 E-mail autor Dirk Neumann 1 1. Information Systems Research Universidade de Freiburg Freiburg Alemanha.
Sobre este artigo.
Recomendações personalizadas.
Cite o papel.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Download instantâneo legível em todos os dispositivos Possuí-lo para sempre Imposto de venda local incluído, se aplicável.
Cite o papel.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Estrategias baseadas em notícias.
Categoria: Documentos.
Cópia eletrônica disponível em: ssrn / abstract = 2580050 Estratégias de negociação baseadas em notícias Stefan Feuerriegela, *, Helmut Prendingerb aChair for Information Systems Research, Universidade de Freiburg, Platz der Alten Synagoge, 79098 Freiburg, Alemanha Instituto Nacional de Informática (NII), 2 -1-2 Hitotsubashi, Chiyoda-ku, Tóquio 101-8430, Japão Resumo A maravilha dos mercados reside no fato de que a informação dispersa é instantaneamente processada ajustando o preço dos bens, serviços e ativos. Os mercados financeiros são particularmente eficientes quando se trata de informações de processamento; Essas informações normalmente são incorporadas em notícias textuais que são então interpretadas pelos investidores. Recentemente, os pesquisadores começaram a determinar automaticamente o sentimento das notícias para explicar os movimentos dos preços das ações. Curiosamente, esse chamado sentimento de notícias funciona bastante bem na explicação dos retornos das ações. Neste trabalho, tentamos projetar estratégias de negociação baseadas em notícias textuais para obter lucros maiores do que as estratégias de benchmark alcançarem. De modo geral, conseguimos mostrar evidências de que uma estratégia de negociação baseada em notícias superou de fato nossos benchmarks em uma performance de 9.06 vezes. Palavras-chave: apoio à decisão, notícias financeiras, estratégias de negociação, mineração de texto, análise de sentimento, simulação de negociação 1. Introdução A eficiência do mercado depende, em grande medida, da disponibilidade de informações. Hoje em dia, as informações de mercado podem ser acessadas com facilidade, já que vem naïve com a prevalência dos mercados eletrônicos e, devido ao acesso direto, os tomadores de decisão podem usar essas informações (por exemplo, [1]) para criar o * Autor correspondente. Correio: stefan. feuerriegelis. uni-freiburg. de; Tel: +49 761 203 2395; Fax: +49 761 203 2416. Endereços de e-mail: stefan. feuerriegelis. uni-freiburg. de (Stefan Feuerriegel), helmutnii. ac. jp (Helmut Prendinger) Pré-impressão enviada à SSRN 18 de março de 2015 Cópia eletrônica disponível em: ssrn / abstract = 2580050 compras e vendas mais benéficas. No mesmo contexto, a chamada (fraca) hipótese de mercado eficiente [2] afirma que os mercados financeiros são eficientemente informativos, no sentido de que os preços das ações financeiras refletem com precisão todas as informações públicas em todos os momentos; os ajustes de preços ocorrem quando as informações anteriormente desconhecidas entram no mercado, como é o caso das notícias. Várias publicações (por exemplo, [3, 4, 5]) estudam o recebimento no mercado de anúncios de notícias, encontrando uma relação causal e claramente mensurável entre divulgações financeiras e reação no mercado de ações. A recepção do mercado não é apenas desencadeada pelos fatos quantitativos embutidos nas divulgações financeiras, mas, o mais importante, a informação qualitativa dirige as reações do mercado de ações às divulgações financeiras, uma vez que as notícias são tipicamente incorporadas em mensagens de texto. Para extrair o tom de um conteúdo textual, muitas vezes mede a polaridade das notícias medindo o chamado sentimento de notícias. Enquanto pesquisas anteriores [6, 7, 8, 9] conseguiram estabelecer um link entre o tom de notícias e os preços do mercado de ações, não está claro como os sinais de sensor extraídos podem ser utilizados para facilitar as decisões de investimento. Para reduzir essa lacuna, este artigo estuda como o sentimento de notícia, como uma tendência emergente de TI no setor financeiro, pode enriquecer o comércio baseado em notícias. O comércio de notícias combina dados de mercado em tempo real e processamento de linguagem natural para detectar anúncios de notícias adequados para desencadear transações. Seus mecanismos são muitas vezes parte de um sistema de negociação algorítmica, enquanto muitos o consideram um Sistema de Apoio à Decisão (DSS) para uso em mercados bancários e financeiros [10]. Tal sistema é representado na Fig. 1. O processo interno do sistema contém duas etapas: primeiro, o sistema extrai o sentimento das notícias como uma medida de tom textual. Isso fornece um indicador da direção de retorno esperada. Então, o segundo passo envolve a execução de uma estratégia de negociação para emitir uma decisão comercial. Sentiment Analysis Section 3.2 Estratégia de Negociação Secção 4 Preço Momentum News Announcement Dictionary Buy Short Hold Declaração de Retorno Esperado Decisão Figura 1: Decision Support System (DSS) transforma o conteúdo de notícias em decisões de negociação. 2 Com a crescente confiabilidade estatística dos algoritmos de mineração de texto, os fornecedores de notícias agora integram ativamente essa tecnologia em suas plataformas tradicionais. Por exemplo, a Thomson Reuters oferece informações adicionais junto com seus produtos de notícias, como os resultados da Thomson Reuters News Analytics (TRNA), que medem a polaridade e a novidade do conteúdo de notícias. As razões para este desenvolvimento resultam predominantemente [10] dos recentes avanços no processamento de linguagem natural, juntamente com o poder computacional mais barato e fontes de notícias mais diversificadas. Consequentemente, os usuários são motivados a aproveitar esse Sistema de Apoio à Decisão devido aos seus ganhos diretos, com base no valor agregado ou vantagem de tal sistema em comparação com as abordagens existentes [10]. Consequentemente, este artigo investiga como um Sistema de Apoio à Decisão pode utilizar o sentimento de notícias para realizar negociação de ações na prática. Vários documentos [11, 12, 13] do domínio DSS elaboram um design geral do sistema em geral, mas não chegam a comparar sinais geradores de negociação e avaliar a precisão das decisões desencadeadas dentro de um portfólio financeiro. Em geral, nossa contribuição é a seguinte: primeiro, propomos diferentes estratégias de negociação baseadas em regras. Em segundo lugar, encontramos evidências quantitativas de que o nosso sistema de negociação de notícias pode superar os cenários de referência. Além disso, os lucros comerciais baseados em notícias incorporam outras variáveis ​​externas, como o impulso dos preços, para obter melhores estimativas de possíveis reações de mercado nesse ciclo econômico específico. Além disso, identificamos diferenças no desempenho das negociações nos setores firmes. Mais precisamente, certos setores, como o automóvel ou os produtos químicos, parecem reagir mais aos novos anúncios, mostram uma maior confiabilidade na direção de retorno esperada e, portanto, produzem maiores retornos financeiros. O restante deste artigo está estruturado da seguinte forma. Na Seção 2, revisamos a pesquisa relacionada na análise de sentimentos de divulgações financeiras e negociação de notícias, na qual nos concentramos particularmente em como ambos podem estar vinculados dentro de um sistema de negociação. Em seguida, a Seção 3 descreve as fontes de dados, bem como o corpus de notícias, que está integrado na análise de sentimentos para extrair o tom subjetivo das divulgações financeiras. Os valores de sentimento calculados são então integrados (Seção 4) em várias estratégias de negociação de notícias e, finalmente, a Seção 5 avalia essas estratégias em termos de desempenho financeiro. 2. Trabalho relacionado Nesta seção, apresentamos literatura relacionada agrupada em duas categorias: primeiro, comparamos abordagens algorítmicas que medem o sentimento de notícias em divulgações financeiras. Em segundo lugar, analisamos os trabalhos anteriores da TI e da tecnologia que destilam notícias em ações de negociação como parte de um sistema de apoio à decisão para investimentos. 2.1. Sentido de notícias no domínio financeiro Métodos que usam a representação textual de documentos para medir a positividade e a negatividade do conteúdo são referidos como mineração de opinião ou análise de sentimentos. A análise do sentimento pode ser utilizada para extrair informações subjetivas de fontes de texto, bem como para medir como os participantes do mercado percebem e reagem aos materiais financeiros. Neste caso, um usa as reações de preços observadas após o texto financeiro para validar a precisão do sentimento de notícias. Com base em medidas de sentimento, pode-se estudar a relação entre documentos financeiros e seus efeitos nos mercados. A evidência empírica, por exemplo, mostra que existe uma relação discernível entre o conteúdo de notícias e a reação do mercado de ações, veja e. g. [6, 7] para algumas das primeiras análises. Como a análise do sentimento é aplicada a uma ampla variedade de domínios e fontes textuais, a pesquisa desenvolveu várias abordagens para medir o sentimento. Uma visão recente da literatura [14] fornece uma pesquisa abrangente independente de domínio e, no domínio das finanças, uma série de pesquisas [15, 16] comparam estudos voltados para a previsão do mercado de ações. Por exemplo, as abordagens baseadas em dicionário são muito freqüentemente usadas na recente pesquisa de mineração de texto financeiro [17, 9, 18, 19, 8]. Esses métodos contam a freqüência de palavras positivas e negativas pré-definidas de um determinado dicionário, produzindo resultados que são diretos e confiáveis. Em comparação, as abordagens de aprendizado de máquina [6, 20, 21, 11, por exemplo] oferecem uma ampla gama de métodos, mas podem sofrer de superação [22]. Neste artigo, queremos abordar apenas a própria simulação de negociação e, portanto, utilizar uma abordagem baseada em dicionário para permitir uma verificação mais fácil de nossos resultados. Além disso, as abordagens de dicionário parecem ser a técnica mais difundida hoje em dia na literatura financeira. 2.2. Comércio de notícias Esta seção fornece uma breve visão geral dos componentes que são necessários para um sistema de negociação de notícias. Uma revisão mais detalhada e taxonomia podem ser encontradas em [10]. Nas finanças comportamentais, o comércio de notícias tem sido associado tanto ao barulho como à arbitragem comercial [23]. Os comerciantes de ruído perseguem lucros de reações exageradas a eventos momentâneos, enquanto os arbitragistas exploram a mensuração de preços, possivelmente indicados por notícias [24, 25]. Como conseqüência, tanto a falta de informações como os mal-entendidos podem contribuir para ganhos [26, 27] do comércio de notícias. 4 Muito provavelmente, uma vantagem ainda maior resultaria de transações automatizadas que um Sistema de Ação de Decisão poderia desencadear, antes que o processamento de informações humanas desencadeasse uma decisão de compra / venda, após os comunicados de imprensa. Como primeiro ingrediente-chave para um estudo realista de negociação de notícias, precisamos contabilizar as taxas de transações incorridas. Vários trabalhos de pesquisa anteriores realizam simulações comerciais, mas muitos negligenciam a importância das taxas de transação. • Por exemplo, uma máquina de vetor de suporte que usa notícias financeiras produz uma taxa de 71% na previsão da direção dos retornos de ativos [11]. Em geral, isso dá um retorno em excesso de 2,88% em relação ao índice S & P 500 entre 25 de outubro de 2005 e 28 de novembro de 2005. Uma abordagem diferente usa regras de decisão com palavras de risco [28] que produz um excesso anual médio de 20% em relação às contas do Tesouro dos EUA. Da mesma forma, Tetlock [7] incorpora palavras pessimistas e produz uma vantagem de 7,3%, em comparação com o Dow Jones, com a estratégia de negociação aplicada. No entanto, todos os documentos acima mencionados compartilham uma falta de consideração por taxas de transação, o que, de fato, pode ser substancial [29]. • Um dos poucos artigos que considera taxas de transação também utiliza anúncios ad hoc alemães e produz uma precisão de 65% ao prever a direção dos retornos. Juntamente com taxas de transação de 0,1%, o retorno médio por transação representa 1,1%. No entanto, este artigo [29] depende de uma estratégia básica (semelhante à nossa estratégia simples baseada em notícias) e não compara outras estratégias de negociação. • De acordo com [30], as estratégias de negociação baseadas em sensações positivas e negativas podem ser lucrativas se os custos de transação forem moderados. O autor assume um investidor que negocia em 62 ações simultaneamente com base nas notícias da empresa Reuters. Além disso, o autor considera custos de transação e perdas possíveis de taxas de juros quando nenhuma dotação é considerada. Os achados revelam que os negócios em sinais de venda são mais lucrativos, mas menos freqüentes. A sensibilidade é estudada pela variação dos custos de transação e taxas de juros livres de risco, mas o autor não avalia estratégias de negociação, exceto a estratégia ingênua. Como uma segunda adição ao nosso Sistema de Apoio à Decisão, precisamos testar nossas estratégias comerciais usando cenários de benchmark. Uma abordagem comum é utilizar um índice de ações de referência para comparação. O autor de [31] prevê a direção dos movimentos dos preços das ações através da factorização da matriz esparsa utilizando notícias 5 artigos do Wall Street Journal. Os resultados mostram uma taxa de precisão de 55,7%, maior do que quando comparado com um índice de referência. Como alternativa, a pesquisa relacionada também integra estratégias simples de compra e retenção de ações com os maiores retornos históricos. O terceiro componente de um sistema de negociação de notícias envolve estratégias de negociação. As estratégias simples de compra e retenção são comuns ao testar a negociação de notícias na simulação de portfólio histórico. Por exemplo, os autores de [32] levantam a hipótese de que uma estratégia de seleção baseada em sentimentos supera uma estratégia clássica de compra e retenção (mantendo todas as ações durante todo o período de teste). Esta abordagem é o que os autores chamam de teste de seleção de portfólio. Em um artigo diferente [33], os autores criam um sistema de categorização e negociação de notícias para prever as tendências dos preços das ações. O sistema é combinado com um mecanismo de negociação que gera recomendações de negociação sob a forma de "comprar ações X e mantê-lo até que os preços das ações atingam a barreira + d%". De forma semelhante, uma estratégia de negociação pode ser construída em torno do volume de consulta do Google [34] para termos de pesquisa relacionados ao financiamento. Esta variável é integrada em uma estratégia simples de compra e retenção (sem custos de transação) para comprar o índice Dow Jones no início e vendê-lo no final do período de retenção, em que os autores testaram várias dimensões de estratégias de retenção. Esta estratégia gera um lucro de 16%, igual ao aumento global do valor do índice Dow Jones no período de janeiro de 2004 a fevereiro de 2011. No geral, as referências acima fornecem evidências de que o estudo das estratégias de negociação, com um particular O foco no conteúdo de notícias é uma questão de pesquisa intrigante e relevante para o setor financeiro. De acordo com [10], "não é nenhuma surpresa que o comércio de notícias permaneça altamente especializado e continue baseando-se em ferramentas de decisão discriminatórias e modelos analíticos". Assim, este artigo pretende lançar luz sobre essa área de pesquisa, comparando diferentes estratégias de negociação em termos de desempenho financeiro. 3. Antecedentes Esta seção apresenta conhecimentos de fundo para conjuntos de dados e análise de sentimentos. Primeiro, descrevemos a construção do corpus de notícias que é usado ao longo deste trabalho. Em seguida, transformamos esse texto em tokens legíveis por máquina para medir o sentimento de notícias. 6 3.1. Fontes de dados Nosso corpus de notícias se origina em anúncios ad hoc regulados1. Esses anúncios devem ser publicados para todas as empresas listadas na Alemanha em inglês. Nós escolhemos essa fonte de dados, principalmente porque as empresas são obrigadas a divulgar esses anúncios ad hoc o mais rápido possível através de canais padronizados, o que nos permite estudar o efeito de curto prazo das divulgações de notícias sobre os preços das ações. Na pesquisa, os anúncios ad hoc são uma escolha freqüente [15] quando se trata de avaliar e comparar métodos para a análise do sentimento. Além disso, esse tipo de corpus de notícias mostra várias vantagens: os anúncios ad hoc devem ser autorizados pelos executivos da empresa, o conteúdo é verificado pela Autoridade Federal de Supervisão Financeira2 e várias publicações analisam sua relevância para o mercado de ações - encontrando uma re - (por exemplo, [35, 36, 37]). Nossos anúncios coletados datam do início de janeiro de 2004 até o final de junho de 2011. Investiguamos um período de tempo tão longo para evitar a possibilidade de apenas analisar as notícias conduzidas predominantemente por um evento de mercado único, por exemplo, a crise financeira. Além disso, aplicamos as seguintes regras de filtragem. Primeiro, cada anúncio deve ter pelo menos 50 palavras. Em segundo lugar, nos concentramos apenas em comunicados de imprensa ad hoc de empresas alemãs que estão escritos em língua inglesa. Nosso corpus final consiste em 14.463 anúncios ad hoc. Para estudar a reação do mercado de ações, usamos os retornos diários do mercado de ações da empresa correspondente, originária da Thomson Reuters Datastream. Nós apenas incluímos dias úteis e, devido à disponibilidade de dados, produzimos um total de 2108 observações. Além disso, ajustamos os dias de publicação de comunicações ad hoc de acordo com os horários de abertura da bolsa de valores. Isto é conseguido contando todas as divulgações após 8 p. m. até o dia seguinte. Mais tarde, também integramos um índice de mercado de ações na nossa análise da seguinte forma: em nossa análise, o chamado índice CDAX funciona como um padrão de referência que as estratégias de negociação precisam combater em termos de desempenho. O CDAX (ver Fig. 2) é um índice de mercado alemão calculado pela Deutsche Börse. É um índice composto de todas as ações negociadas na Bolsa de Valores de Frankfurt que estão listadas nos segmentos de mercado Padrão Geral ou Prime Standard, totalizando 485 ações. Não contém empresas estrangeiras ou ações estrangeiras, servindo assim como uma correspondência adequada ao nosso corpus de notícias ad hoc. 1Kindly fornecido pela Deutsche Gesellschaft für Adhoc Publizität (DGAP). 2Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin). 7 200 300 400 500 2004 2006 2008 2010 CD AX St oc k e ex (em Po int s) Figura 2: O CDAX como índice de mercado de ações alemão que representa nosso benchmark. 3.2. Análise do Sentimento Os métodos que utilizam a representação textual de documentos para medir conteúdo positivo e negativo são referidos como mineração de opinião ou análise de sentimento [14]. De fato, a análise do sentimento pode ser utilizada [15, 16] para extrair informações subjetivas de fontes de texto, bem como para medir como os participantes do mercado percebem e reagem às notícias. Um usa as reações de preço de estoque observadas após um anúncio de notícias para validar a precisão das rotinas de análise de sentimento. Assim, a análise de sentimentos fornece uma cadeia de ferramentas eficazes para estudar a relação entre conteúdo de notícias e sua recepção no mercado [6, 38, 7]. Antes de realizar a análise de sentimento real, existem várias etapas de pré-processamento da seguinte maneira: 1. Tokenização. As entradas do Corpus são divididas em palavras únicas chamadas tokens [39]. 2. Negações. Negações inverter o significado de palavras e frases [40, 41]. Ao encontrar a palavra não, cada uma das três palavras subsequentes (i. E. O objeto) são contadas como palavras do dicionário oposto. Quando outros termos negativos são encontrados (em vez disso, dificilmente, não poderia, não era, não, não, não deveria, não era, não, não, não, não , não será, nunca, nunca), o significado de todas as palavras sucessivas está invertido. 8 3. Pare a remoção de palavras. Palavras sem um significado mais profundo, como o, é, etc., são nomeadas palavras de parada [42] e podem ser removidas. Usamos uma lista de 571 palavras de parada propostas em [43]. 4. Sinonimônia. Os sinônimos, embora escritos de forma diferente, transmitem o mesmo significado. Para agrupar sinônimos por seu significado, seguimos um método que é referido como geração de pseudoword [42]. Aproximadamente 150 sinônimos ou frases do domínio financeiro são agregados de acordo com seus significados. 5. Sorteio. Sustentação refere-se ao processo de redução de palavras flexionadas ao seu caule [42]. Aqui, usamos o chamado algoritmo de tolerância de Porter [44]. Após completar o pré-processamento, podemos continuar a analisar o sensor de notícias. Conforme demonstrado em um estudo recente [45] sobre o analise de robustez do sentimento, a correlação entre o sentimento da notícia e os retornos do mercado de ações varia em diferentes métricas de sentimento. Uma abordagem de sentimento que resulta em uma correlação confiável é a métrica Net-Optimism [17]. Net-Optimism funciona bem em coordenação com o Dictionary Finance-Specific de Henry [9]. Consequentemente, confiamos nesta abordagem na avaliação a seguir. A métrica é calculada como a diferença entre o número de palavras Wpos (A) positivas e Wneg (A) positivas divididas pelo número total de palavras Wtot (A) em um anúncio A. Assim, o sentimento de Net Optimism S (A) é definido por S (A) = Wpos (A) - Wneg (A) Wtot (A) ∈ [-1, + 1]. (1) A relação entre o sentimento de notícia S (A) e os retornos correspondentes do mercado de ações está representada na Fig. 3. Este diagrama apresenta uma linha de tendência a partir do chamado modelo aditivo generalizado (GAM), no qual o preditor linear depende inicialmente em funções suaves desconhecidas de algumas variáveis ​​preditoras [46]. A partir desta linha de tendência GAM, podemos identificar uma relação visível entre a variável sentimental e os retornos do mercado de ações. 9 Figura 3: linha de tendência GAM (modelo de aditivo generalizado) que mostra a relação entre o sentimento de notícias e os retornos do mercado de ações. 4. Estratégias de negociação Esta seção apresenta todas as estratégias de negociação que servem de base para nossa análise. Em consonância com a literatura existente, começamos por apresentar nosso benchmark, ou seja, uma abordagem de negociação de impulso. Esta estratégia obtém decisões de compra exclusivamente a partir dos retornos históricos dos ativos, maximizando a chamada taxa de mudança. Além disso, propomos estratégias de negociação baseadas em notícias em que as decisões de investimento são desencadeadas por sinais de sentimento de notícias. Então, combinamos os dois métodos e desenvolvemos uma estratégia que utiliza os preços históricos e o sentimento de notícias. Nos algoritmos subsequentes, usamos a seguinte notação: deixe pi, denotar o preço de fechamento de um estoque i no tempo t. Além disso, a variável S (A) dá o sentimento de notícia de um anúncio A correspondente ao estoque i conforme definido acima. Ao negociar, excluímos todas as chamadas ações de moeda de um centavo (por exemplo, ações abaixo de € 5) de nossa avaliação [47, 48]. A razão por trás disso é que esses estoques de penny tendem a reagir de forma mais sistemática às tendências e anúncios de notícias e, conseqüentemente, podem apresentar um componente de ruído maior aos nossos dados. 10 4.1. Benchmark: Momentum Trading Os retornos das existências passadas podem ser um preditor do desempenho futuro da empresa. Isto é o que definimos como impulso, em que os preços históricos das ações continuam movendo-se em sua direção anterior. A conexão (parcialmente) previsível entre passado e retorno futuro foi comprovada na literatura financeira, como em [49]. No entanto, os acadêmicos de finanças têm problemas com a descoberta de que uma estratégia simples de comprar vencedores e vender perdedores pode, aparentemente, ser rentável, uma vez que isso contradiz a teoria dos mercados eficientes [2], onde os mercados absorvem rapidamente novas informações e ajustam os preços dos ativos adequadamente. Momentum é, conseqüentemente, também chamado de "principal anomalia" nos retornos de ações [50]. Ao extrapolar as tendências históricas do estoque, motivamos o seguinte impulso comercial, que retoma os padrões sutis em retornos. Desenvolver uma estratégia de negociação de impulso bem sucedida é principalmente um mérito dos esforços manuais de acadêmicos e profissionais de finanças para engenharia manual de recursos de preços históricos [51]. Deixe-nos definir tanto o ítem dos termos como a taxa de mudança, respectivamente. O chamado impulso Momi, t é a diferença absoluta em estoque, definida por Momi, t = pi, t-pi, t-δ (2) com um período de tempo de δ. Em suma, o impulso denota a diferença entre o preço de fechamento de hoje e o preço de fechamento há N, atrás, referindo-se a preços continuando a tendência. Em comparação, o RoCi da taxa de mudança representa a mudança relativa como uma fração, i. e. RoCi, t = pi, t-pi, t-δ pi, t-δ = Momi, t pi, t-δ. (3) Tanto os indicadores de momento e taxa de variação indicam tendência permanecendo positiva durante uma tendência de alta ou negativa durante uma tendência de baixa. No total, isso resulta na estratégia de negociação momentum [52], formalmente introduzida pelo seguinte pseudocódigo. Em suma, a idéia-chave é sempre escolher o estoque que tem a maior taxa de troca. O Passo 1 inicializa a variável s que armazena o estoque que nosso Sistema de Apoio à Decisão atualmente possui. O sub-requisito para o loop é iterado através de todos os passos de tempo de nosso horizonte de simulação T. Em cada iteração, o Passo 3 atualiza as escalas de taxa de troca para todos os estoques, excluindo o dia útil atual. Se o estoque anteriormente mantido estava vazio, o Passo 5 investe no estoque com o valor absoluto mais alto de todos os valores históricos da taxa de variação. No entanto, se a taxa de mudança das ações atualmente mantidas cai abaixo de um limite θRoC, então, acionamos transações para vender 11 ações anteriores (Etapa 7) e compra (ou venda curta) novas ações com a taxa mais alta de - troque no Passo 8. Como parâmetros gratuitos, podemos variar o período de tempo δ calculando a taxa de mudança e o limiar θRoC. Para o primeiro, encontramos bons resultados com δ definido para 200 dias úteis. Este valor serve como um bom trade-off entre o intervalo de 20 dias a 12 meses proposto na literatura [49]. Nós escolhemos a última variável θRoC testando valores diferentes e decidimos por θRoC = 50%. 1: Inicialize stock s ← ⊥. 2: para t em T do 3: Compute RoCi, t-1 ← pi, t-1 - pi, t-1-δpi, t-1-δ para todos os estoques i. 4: se s = ⊥ então 5: Comprar ou estoque curto s ← argmax i | RoCi |. 6: senão se RoCs, t-1 & lt; θRoC, em seguida, 7: Remova o investimento no estoque s. 8: Comprar ou estoque de venda curta s ← argmax i | RoCi |. 9: final se 10: fim para 4.2. News Trading Embora a estratégia anterior utilize apenas os preços históricos das ações, agora nos concentramos no sentimento de notícias para permitir decisões de compra baseadas em notícias. Para reagir aos sinais de sentimento de notícias, nosso Sistema de Apoio à Decisão precisa escanear continuamente o fluxo de notícias e calcular o sentimento uma vez que uma nova divulgação financeira seja divulgada. Quando o sentimento de notícia associado a este comunicado de imprensa é extremamente positivo ou negativo, isso implica uma forte probabilidade de uma reação subsequente no mercado de ações na mesma direção. Nós nos beneficiamos com a reação do mercado de ações se uma transação automática for desencadeada de antemão. Para atingir esse objetivo, especificamos a chamada estratégia de negociação de notícias simples, dada no pseudocódigo abaixo. Os passos 2 e 3 desencadeiam decisões de compra e de venda curta, sempre que o valor absoluto da métrica de sentimento de notícias de um anúncio seguinte exceder um certo limiar positivo ou negativo. Esta decisão é dada pela declaração if no Passo 1, i. e. A condição de que S (A) seja menor que um limite negativo θ-S ou maior que um θ + S positivo deve ser preenchido. Nós escolhemos valores de limite adequados para ambos θ-S e θ + S como parte de nossa avaliação 12 na Seção 5. Entrada: Anúncio lançado A que corresponde ao estoque i. 1: se S (A) & gt; θ + S ou S (A) & lt; θ - S então 2: Retirar investimento em estoque anterior s. 3: Comprar ou estoque de venda curta s ← i. 4: final se 4.3. Combined Strategy with News and Momentum Trading The subsequent trading strategy combines the above approaches by utiliz - ing both news sentiment and historic prices in the form of momentum. We develop this trading strategy around the idea that we want to invest in assets with both (1) a news disclosure with a high polarity and (2) a previous mo - mentum in the same direction. The combined pseudocode is given below. Only if both the news release and historic prices give an indication of a development in the same direction, Steps 3 and 4 trigger a corresponding trading decision. Thus, this strategy expects the same direction in terms of the return-of-change and sentiment metric as tested in Step 2. Input: Released announcement A that corresponds to stock i at day t. 1: Compute RoCi, t−1← pi, t−1 − pi, t−1−δpi, t−1−δ for stock i. 2: if |S(A)|> θS and sign S(A) = sign RoCi, t−1 then 3: Remove investment in stock s. 4: Buy or short-sell stock s← i. 5: end if 5. Evaluation The above sections have presented a number of trading strategies that differ in the way in which operations are derived; this section evaluates these trad - ing strategies in terms of their achieved performance. We first focus on our benchmark strategies, i. e. momentum trading and German composite stock market index. We then determine suitable values for all free parameters inside the news trading algorithms and analyze their performance. 5.1. Benchmarks: Stock Market Index and Momentum Trading As our first benchmark, we choose the so-called CDAX, a German stock market index calculated by Deutsche Börse. It is a composite index of all stocks 13 traded on the Frankfurt Stock Exchange that are listed in the General Standard or Prime Standard market segments. Figure 2 shows the overall development of the stock index from the year 2004 until mid-2011. During that period, the index increased by 50.99 %, which correspond to 5.65 % at an annualized rate. The number of days with positive returns outweigh the negative days by 1092 to 864. Simple momentum trading acts as our second benchmark. This strategy works with no data input other than historic stock prices. When historic prices continue their trend, we can invest in the specific stock to profit from this development. While news trading yields high returns at first, the profits later plummet, resulting in a negative cumulative return of−65.33 %. Nevertheless, the average daily returns remain positive at 0.0464 % and are even higher than that of the CDAX index (0.0298 %). The number of days with positive returns outweighs the negative by 1154 to 767. The results of both benchmarks, namely, the CDAX stock market index and momentum trading, are presented in Fig. 4 where we see different performance patterns. When looking at the histogram of returns in Fig. 5, we see that volatil - ity is smaller for the CDAX. The volatility of daily returns accounts for 0.013 for the CDAX index, while it is higher at 0.045 in the case of momentum trading. -30 0 30 60 Jan 2004 Apr 2004 Jul 2004 Oct 2004 Jan 2005 Apr 2005 Jul 2005 Cu mu lat ive Re tur n ( in %) CDAX Stock Index Momentum Trading Figure 4: Cumulative returns of both the CDAX index and the momentum trading strategy compared across the first 400 business days. 14 0 100 200 300 -4 0 4Daily Return (in %) Fre qu en cy CDAX Stock Index 0 50 100 150 200 -20 -10 0 10 20Daily Return (in %) Fre qu en cy Momentum Trading Figure 5: Histogram of returns for the CDAS index (left) and the momentum trading strat - egy (right), in which the vertical bars denote the corresponding mean value. 5.2. News Trading This section evaluates different variants of news trading, starting with a simple trading strategy. This strategy triggers transactions whenever a very positive or negative ad hoc announcement is disclosed. Here, we take into account only a single announcement per day and business days, giving a total corpus of 1894 disclosures. What remains unanswered thus far is av value for the threshold θS above which our news-based trading strategies perform a purchase decision. In order to find the optimal parameter, Fig. 6 compares the thresholds θ+S and θ − S against the average returns. For reasons of simplicity, we measure these thresholds in terms of quantiles of the news sentiment distribution. We see that a threshold value of around 10 % appears in a cluster of high daily returns and yields good results. Thus, we decided to set θ+S to the 90 % quantile (and θ − S to the 10 % quantile) of the sentiment values S(A) in order to make this variable exoge - nously given. However, it is important to stress that there large variations in performance depending on the threshold. Evaluating the above strategies with historic data reveals the following find - ings: • With the threshold set to the 10 % quantile, we gain an overall cumulative return of 178.53 % at a volatility of 0.078. The average daily return accounts for 0.421 %. • In addition, we include a combination of news and momentum trading. This strategy leads to a lower performance with a cumulative return of 361.60 % and average daily returns of 0.1180 %. However, this strategy simultane - 15 ously reveals a reduced risk component in the form of less volatility, which accounts for 0.028. Both strategies, namely, simple news trading and the combined version, are further evaluated in the following diagrams. Fig. 7 depicts how the cumula - tive returns develop during the first 1500 business days, showing clearly the superiority of simple news trading. Analogously, Fig. 8 compares the distribu - tion of daily returns. We note that evidently higher volatility of simple news trading, which is ultimately linked to higher risks. 0.3 0.4 0.5 0.6 10 20 30 40 50Threshold θ_S as Quantile of News Sentiment (in %) Av era ge Da ily Re tur n ( in %) Cumulative Return (in %) 0 500 1500 Figure 6: Comparison of thresholds θ+S and θ − S against average daily returns. The threshold is measured as quantiles from both ends of the average news sentiment in the corpus. In addition, the point size indicates the total cumulative return. 16 0 2000 4000 6000 2004 2005 2006 2007 2008 2009 2010 Cu mu lat ive Re tur n ( in %) Combined News & Momentum Trading News Trading Figure 7: Cumulative returns of both news trading and the combination of news and momen - tum trading compared across the first 1500 business days. 0 100 200 300 -15 -10 -5 0 5 10 15Daily Return (in %) Fre qu en cy News Trading 0 100 200 300 -15 -10 -5 0 5 10 15Daily Return (in %) Fre qu en cy Combined News&Momentum Trading Figure 8: Histogram of returns comparing simple news trading (left) and the combined news & momentum trading strategy (right), in which the vertical bars denote the corresponding mean value. 5.3. Comparison The simulation horizon spans January 2014 until the end of June 2011, giving a total of 1956 business days. All results of our trading simulation are provided in Table 1. Here, we evaluate how well the investment decisions of each strategy play together with market feedback. We focus mainly on aver - age daily return, since cumulative returns can be misleading. The reason is as 17 follows: one wrong trade can make performance plummet, while a high aver - age daily return indicates a continuously high benefit. In addition, we want to direct attention to the volatility column. These values serve as an indicator of the level of risk associated with each strategy. Even though simple news trading achieves higher returns, it is linked with higher volatility and higher risks. Thus, it may be beneficial for practitioners to follow a combined strat - egy of news and momentum trading that results in smaller returns, while also decreasing the associated risk. We now compare our benchmarks to news trading. The benchmarks feature mean returns of 0.0298 % for the CDAX and 0.0464 % for momentum trading. In comparison, news trading reaches 0.4206 %. This is the 9.06-fold value, but linked with a considerably higher volatility. While we put an emphasis on raw returns, we also provide a performance measure that incorporates transaction costs. Thus, the last column of Table 1 reveals how an initial invest of € 1000 would evolve over time. Consistent with [29, 8]3, we simulate the portfolio with a transaction fee for each buy/sell operation of 0.1 %, equivalent to 10 bps.4 3Using a proportional transaction fee is common in financial research. For example, other papers [30] mostly vary transaction costs mostly in the range of 0.1 % to 0.3 % or assume a fixed transaction fee [33] of U. S. $ 10 for buying and selling stocks respectively. 4A frequent unit in finance is basis point (bps). Here, one unit is equal to 1/100th of 1 %, i. e. 1 % = 100 bps. 18 Table 1: Comparison of benchmarks and trading strategies across several key performance characteristics. Tr ad in g St ra te gy C u m u la ti ve R et u rn R et u rn s: M ed ia n R et u rn s: M ea n A n n u al iz ed R et u rn # Po si ti ve R et u rn s # N eg at iv e R et u rn s Vo la ti li ty ∆ Tr ad es Po rt fo li o O u tc om e (€ ) B en ch m ar ks C D A X In de x 50 .9 9 % 0. 07 03 % 0. 02 98 % 5. 64 80 % 10 92 86 4 0. 01 3, 19 — 15 06 .9 2 M om en tu m Tr ad in g − 65 .3 3 % 0. 00 00 % 0. 04 64 % − 13 .1 70 2 % 11 29 82 7 0. 04 4, 96 10 2. 95 d 32 2. 94 (θ = 50 %,δ = 20 0 d) N ew s Tr ad in g Si m pl e N ew s Tr ad in g 17 ,8 53 .3 1 % 0. 00 00 % 0. 42 06 % 99 .7 80 3 % 11 36 82 0 0. 07 7, 80 10 .5 7 d 96 7, 44 8. 60 (θ + S = 90 %,θ − S = 10 % ) C om bi ne d: N ew s & M om en tu m 36 1. 60 % 0. 00 00 % 0. 11 80 % 22 .6 22 2 % 11 13 84 3 0. 02 8, 39 19 .9 6 d 95 13 .9 2 (θ + S = 90 %,θ − S = 10 %,δ = 20 0 d) 19 CDAX Index Momentum Trading Simple News Trading News Trading [Chemicals] News Trading [Automobile] Combined News & Momentum Trading News Trading with Min. Holding Time 0.1 0.2 0.3 0.4 0.000 0.025 0.050 0.075 0.100 0.125Volatility of Daily Returns Av era ge Da ily Re tur n ( in %) Figure 9: risk-return-comparison. 5.4. Statistical Tests This section provides statistical evidence that trading strategies can result in daily returns above zero. We perfom both a one-sided Wilcoxon test and a one - sided t-test. In both cases, the null hypothesis tests whether a given trading strategy results in a zero mean value of daily returns. All test outcomes are provided in the form of P-values in Table 2. Apparently, a few P-values are statistically significant at common significance levels. Consequently, in these cases, we can reject the null hypothesis at the corresponding significance level and conclude that the trading strategies have an above zero mean of daily returns. This is particulary true for simple news trading, providing that news trading yields statistically significant returns. 20 Table 2: Statistical tests to validate the hypothesis that daily returns are above zero. Trading Strategy Daily Returns Mean Wilcoxon Test One-Sided (P-Value) t-Test One-Sided (P-Value) Benchmarks CDAX Index 0.0298 % 0.0031∗∗ 0.1593 Momentum Trading 0.0464 % 0.7803 0.3241 News Trading Simple News Trading 0.4206 % 0.0038∗∗ 0.0085∗∗ Combination News & Momentum 0.1180 % 0.0474∗ 0.0031∗∗ Significance levels: ∗∗∗0.001, ∗∗0.01, ∗0.05 5.5. Discussion and Managerial Implications This paper aims to develop a core functionality of an automated system for triggering news-based trading decisions. Although it is part of an algorithmic - trading system, the system is often regarded as a Decision Support System [10]. In the above evaluation, such a system demonstrated that news trading is more profitable overall than the benchmark scenarios. In practice [10], such a De - cision Support System may consist of 10 to 100 data/text mining algorithms and, in addition, model parameters must frequently be calibrated to the latest datasets. These text mining algorithms have contributed to the reduction of market noise from news by extracting only the relevant events from the overall news pile [53]. One of the challenges remaining is that of the information quality of news. Although news plays a significant role in driving stock prices, its impact is low, leaving a large portion of noise [8]. This inevitably results in unpredictable and possibly reduced market reactions when signals are unclear [54]. Different data sources might provide further insights into the costs of additional noise. For example, innovative news sources [10] offer a massive number of new corpus entries, which are published quickly without quality control, such as social media like Twitter. Related approaches also incorporate Google query volume for search terms related to finance [34] and Internet stock message boards [6]. Each of these sources has its own advantages, but practitioners are likely to implement a combination. Regardless, we need a remedy that works reliably even when facing noisy data. To overcome this challenge, we proposed news-trading strategies in the form of rule-based algorithms. The above research opens up several other research streams. The proposed Decision Support System with its trading strategies can also be highly relevant 21 for high-frequency trading [55] and provides valuable insights for this adjacent discipline, relying purely on automated trading algorithms. News trading also intersects with portfolio management problems [56, for example], in which investors make decisions about which portfolio to hold at an ex-ante basis without knowing future returns. Though these returns are unknown, mar - ket participants make decisions and trigger transactions based on their future expectations of the market. Managers on the road to implementing such news trading systems can choose between a vast number of options. However, we have seen that func - tional verifications are rare. It is, therefore, “no surprise that news trading re - mains highly specialized and continues to be based on disparate decision-making tools and analytical models” [10]. 6. Conclusion and Outlook Although it is a well-known fact that financial markets are very sensitive to the release of financial disclosures, the way in which this information is re - ceived is far from being studied sufficiently. Not until recently have researchers started to look at the content of news stories using very simple techniques to determine news sentiment. Typically, these research papers concentrate on finding a link between the qualitative content and the subsequent stock mar - ket reaction. To harness this relationship in practice, news trading combines real-time market data and sentiment analysis in order to trigger investment decisions. Interestingly, what previous approaches all have in common is that they rarely study and compare trading strategies. As a remedy, this paper evaluates algorithmic trading strategies within a Decision Support System for news trading. We propose and compare different rule-based strategies for news-based trading. As a result, our Decision Sup - port System outperforms all benchmark scenarios by relying upon news-based investment decisions. Further performance improvements can be achieved by including external variables that, for example, describe the economic environ - ment or lagged prices respectively. We also find considerable differences in trading performance across firm sectors, with the automobile and chemical sectors yielding an above average stock market return. The reasons for this seem to be that these domains are more reactive to novel announcements and the expected return direction more reliable. Altogether, we contribute to the understanding of information processing in electronic markets and show how to enable decision support in financial markets. 22 This paper opens avenues for further research into two directions. First, a multi-asset strategy could be beneficial to spread risks. To model these, intrigu - ing approaches include Value-at-Risk (VaR) measures, as well as techniques from portfolio optimization. Second, it is worthwhile to improve the forecast of asset returns by including a broader set of exogenous predictors. As such, possible external variables range from stock market indices, fundamentals de - scribing the economy and additional lagged variables. Further enhancements would also result from embedding innovative news sources, such as social me - dia. Altogether, the accuracy of predicting stock return directions and trigger trading signals would be greatly improved. Acknowledgment The valuable contributions of Dirk Neumann, Laura Cuthbertson and Si - mon Schmidt are gratefully acknowledged. [1] N. Granados, A. Gupta, R. J. Kauffman, Research Commentary – Information Transparency in Business-to-Consumer Markets: Concepts, Framework, and Research Agenda, Information Systems Research 21 (2010) 207–226. [2] F. E. Fama, The Behavior of Stock-Market Prices, The Journal of Business 38 (1965) 34–105. [3] T. Cenesizoglu, The Reaction of Stock Returns to News About Fundamen - tals, Management Science (2014). [4] D. M. Cutler, J. M. Poterba, L. H. Summers, What Moves Stock Prices?, Journal of Portfolio Management 15 (1989) 4–12. [5] R. J. Shiller, Irrational Exuberance, 2nd ed., Princeton University Press, 2005. [6] W. Antweiler, M. Z. Frank, Is All That Talk Just Noise? The Information Content of Internet Stock Message Boards, Journal of Finance 59 (2004) 1259–1294. [7] P. C. Tetlock, Giving Content to Investor Sentiment: The Role of Media in the Stock Market, Journal of Finance 62 (2007) 1139–1168. 23 [8] P. C. Tetlock, M. Saar-Tsechansky, S. Macskassy, More than Words: Quan - tifying Language to Measure Firms’ Fundamentals, Journal of Finance 63 (2008) 1437–1467. [9] E. Henry, Are Investors Influenced By How Earnings Press Releases Are Written?, Journal of Business Communication 45 (2008) 363–407. [10] S. Gagnon, Rules-Based Integration of News-Trading Algorithms, Journal of Trading 8 (2013) 15–27. [11] R. P. Schumaker, H. Chen, Textual Analysis of Stock Market Prediction us - ing Breaking Financial News, ACM Transactions on Information Systems 27 (2009) 1–19. [12] R. P. Schumaker, H. Chen, A Quantitative Stock Prediction System based on Financial News, Information Processing & Management 45 (2009) 571–583. [13] R. P. Schumaker, Y. Zhang, C.-N. Huang, H. Chen, Evaluating Sentiment in Financial News Articles, Decision Support Systems 53 (2012) 458– 464. [14] B. Pang, L. Lee, Opinion Mining and Sentiment Analysis, FNT in In - formation Retrieval (Foundations and Trends in Information Retrieval) 2 (2008) 1–135. [15] M.-A. Mittermayer, G. F. Knolmayer, Text Mining Systems for Market Re - sponse to News: A Survey, 2006. [16] M. Minev, C. Schommer, T. Grammatikos, News and Stock Mar - kets: A Survey on Abnormal Returns and Prediction Models, 2012. URL: publications. uni. lu/record/9947/files/ TR. Survey. News. Analytics. pdf. [17] E. A. Demers, C. Vega, Soft Information in Earnings Announcements: News or Noise? INSEAD Working Paper No. 2010/33/AC, SSRN Elec - tronic Journal (2010). [18] N. Jegadeesh, D. Wu, Word Power: A New Approach for Content Analy - sis, Journal of Financial Economics 110 (2013) 712–729. 24 [19] T. Loughran, B. McDonald, When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks, Journal of Finance 66 (2011) 35–65. [20] F. Li, The Information Content of Forward-Looking Statements in Corpo - rate Filings: A NaÃr´ve Bayesian Machine Learning Approach, Journal of Accounting Research 48 (2010) 1049–1102. [21] M.-A. Mittermayer, G. F. Knolmayer, NewsCATS: A News Categorization and Trading System, in: Sixth International Conference on Data Mining (ICDM’06), 2006, pp. 1002–1007. doi:10.1109/ICDM.2006.115. [22] A. Sharma, S. Dey, A Comparative Study of Feature Selection and Ma - chine Learning Techniques for Sentiment Analysis, in: Y. Cho, A. S. I. G. o. A. Computing (Eds.), Proceedings of the 2012 Research in Applied Computation Symposium (RACS 2012), ACM, New York, NY, 2012, pp. 1–7. doi:10.1145/2401603.2401605. [23] N. Barberis, R. Thaler, A Survey of Behavioral Finance, in: Finan - cial Markets and Asset Pricing, volume 1 of Handbook of the Economics of Finance, Elsevier, Amsterdam, Netherlands, 2003, pp. 1053–1128. doi:10.1016/S1574-0102(03)01027-6. [24] A. Shleifer, L. H. Summers, The Noise Trader Approach to Finance, The Journal of Economic Perspectives 4 (1990) 19–33. [25] A. Shleifer, R. W. Vishny, The Limits of Arbitrage, Journal of Finance 52 (1997) 35–55. [26] S. J. Alfano, S. Feuerriegel, D. Neumann, Is News Sentiment More than Just Noise?, SSRN Electronic Journal (2014). [27] B. Mendel, A. Shleifer, Chasing Noise, Journal of Financial Economics 104 (2012) 303–320. [28] F. Li, Do Stock Market Investors Understand the Risk Sentiment of Cor - porate Annual Reports?, SSRN Electronic Journal (2006). [29] M. Hagenau, M. Liebmann, M. Hedwig, D. Neumann, Automated News Reading: Stock Price Prediction Based on Financial News Using Context - Specific Features, in: 45th Hawaii International Conference on System Sciences (HICSS), 2012, pp. 1040–1049. doi:10.1109/HICSS.2012. 129. 25 [30] F. Graf, Mechanically Extracted Company Signals and their Impact on Stock and Credit Markets, 2011. URL: http: //uni-konstanz. de/FuF/wiwi/workingpaperseries/ WP\textunderscore18-11-Graf. pdf. [31] F. M. F. Wong, Z. Liu, M. Chiang, Stock Market Prediction from WSJ: Text Mining via Sparse Matrix Factorization, in: IEEE International Con - ference on Data Mining (ICDM), IEEE Computer Soc., Shenzhen, China, 2014, pp. 430–439. [32] A. Klein, O. Altuntas, T. Hausser, W. Kessler, Extracting Investor Senti - ment from Weblog Texts: A Knowledge-based Approach, in: IEEE 13th Conference on Commerce and Enterprise Computing (CEC), 2011, pp. 1–9. doi:10.1109/CEC.2011.10. [33] M.-A. Mittermayer, Forecasting Intraday stock price trends with text min - ing techniques, in: R. H. Sprague (Ed.), Proceedings of the 37th Annual Hawaii International Conference on System Sciences, IEEE Computer Soc., Los Alamitos, Calif., 2004. doi:10.1109/HICSS.2004.1265201. [34] T. Preis, H. S. Moat, H. E. Stanley, Quantifying Trading Behavior in Fi - nancial Markets using Google Trends, Scientific Reports 3 (2013) 1684. [35] S. Feuerriegel, A. Ratku, D. Neumann, Finding Evidence of Irrational Exuberance in the Oil Market, SSRN Electronic Journal (2014). [36] S. Feuerriegel, A. Ratku, D. Neumann, Which News Disclosures Mat - ter? News Reception Compared Across Topics Extracted from the Latent Dirichlet Allocation, SSRN Electronic Journal (2015). [37] J. Muntermann, A. Guettler, Intraday Stock Price Effects of Ad Hoc Dis - closures: The German Case, Journal of International Financial Markets, Institutions and Money 17 (2007) 1–24. [38] S. Feuerriegel, S. F. Heitzmann, D. Neumann, Do Investors Read Too Much into News? How News Sentiment Causes Price Formation, in: 48th Hawaii International Conference on System Sciences (HICSS), Forthcom - ing, 2015. 26 [39] G. Grefenstette, P. Tapanainen, What Is a Word, What Is a Sentence? Problems of Tokenization, 1994. URL: citeseerx. ist. psu. edu/viewdoc/summary? doi=10.1.1.28.5162. [40] M. Dadvar, C. Hauff, F. de Jong, Scope of Negation Detection in Sen - timent Analysis, in: Proceedings of the Dutch-Belgian Information Re - trieval Workshop (DIR 2011), Amsterdam and Netherlands, 2011, pp. 16–20. [41] N. PrÃu˝llochs, S. Feuerriegel, D. Neumann, Enhancing Sentiment Analy - sis of Financial News by Detecting Negation Scopes, in: 48th Hawaii In - ternational Conference on System Sciences (HICSS), Forthcoming, 2015, pp. 959–968. [42] C. D. Manning, H. SchÃijtze, Foundations of Statistical Natural Language Processing, MIT Press, Cambridge and Mass, 1999. [43] D. D. Lewis, Y. Yang, T. G. Rose, F. Li, RCV1: A New Benchmark Collection for Text Categorization Research, Journal of Machine Learning Research 5 (2004) 361–397. [44] M. F. Porter, An Algorithm for Suffix Stripping, Program 14 (1980) 130– 137. [45] S. Feuerriegel, D. Neumann, News or Noise? How News Drives Commod - ity Prices, in: Proceedings of the International Conference on Information Systems (ICIS 2013), Association for Information Systems, 2013. [46] T. J. Hastie, R. J. Tibshirani, J. H. Friedman, The Elements of Statisti - cal Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, 2nd ed., Springer, New York, NY, 2013. [47] R. Beatty, P. Kadiyala, Impact of the Penny Stock Reform Act of 1990 on the Initial Public Offering Market, The Journal of Law and Economics 46 (2003) 517–541. [48] E. F. Fama, K. R. French, Multifactor Explanations of Asset Pricing Anoma - lies, Journal of Finance 51 (1996) 55–84. [49] N. Jegadeesh, S. Titman, Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency, Journal of Finance 48 (1993) 65–91. 27 [50] E. F. Fama, K. R. French, Dissecting Anomalies, Journal of Finance 63 (2008) 1653–1678. [51] L. Takeuchi, Y.-Y. Lee, Applying Deep Learning to Enhance Momentum Trading Strategies in Stocks, 2013. [52] K.-j. Kim, Financial Time Series Forecasting using Support Vector Ma - chines, Neurocomputing 55 (2003) 307–319. [53] A. Groç-Kluçmann, N. Hautsch, When Machines Read the News: Us - ing Automated Text Analytics to Quantify High Frequency News-Implied Market Reactions, Journal of Empirical Finance 18 (2011) 321–340. [54] P. C. Tetlock, Does Public Financial News Resolve Asymmetric Informa - tion?, Review of Financial Studies 23 (2010) 3520–3557. [55] I. Aldridge, High-Frequency Trading: A Practical Guide to Algorithmic Strategies and Trading Systems, Wiley Trading Series, 2nd ed., Wiley, Hoboken, NJ, 2013. [56] L. Mitra, G. Mitra, D. Dibartolomeo, Equity Portfolio Risk Estimation using Market Information and Sentiment, Quantitative Finance 9 (2009) 887–895. 28.
Estrategias baseadas em notícias.
Strategies based on distinctive.
Technical Based Trading Strategies.
Long-Tail Based Strategies.
1. Photo by dan taylor 2. Photo by ttcopley 3. Photo by Mukumbura 4. Photo by Rainbirder 5. Photo by color line 6. Photo by Drriss & Marrionn 7. Photo by Editor B 8.…
Web based instrucitonal strategies.
1. Web-Based Instructional Strategies (Option 1)K. T. SandlinEME 5405June 5University of Florida 2. How do you use technology in your classroom?
Ict based instructional strategies.
1. ICT basedInstructionalInstructionalStrategiesStrategiesS K BawaS K Bawa 2. Need of Today’s Learner 3. •Ubiquitous LearningUbiquitous Learning• Any where• Any time•…
Strength Based Strategies Work.
1. RESULTS PERFORMANCE PEOPLE THINKING FEELINGS EMOTION PHYSIOLOGY If your strategy is focused on results, perfor - mance and only ticking boxes once a year around people.…
Internet based instructional strategies.
1. Internet-Based Instructional Strategies Grades K-12ByPatricia CampbellWork Cited:March, Tom. “Working the Web for Education.” Ozline. August 1997. 28 May 2011 tommarch/writings/theory. php…
Strategies based instruction.
Evidence based hygiene strategies 102308.
TCASE Web based Instructional Strategies.
Internet Based Supply Chain Strategies.
Ivrs based news extracting system.
IJRET : International Journal of Research in Engineering and Technology is an international peer reviewed, online journal published by eSAT Publishing House for the enhancement…
Link Building: News & Strategies dal Convegno GT.
News in campo SEO per quanto riguarda i brevetti di Google, strategie avanzate di Link Building e tool da utilizzare nella pianificazione di una campagna. Intervento del Convegno…
Strategies, Analysis, And News for FX Traders.
Currency trader magazine de Enero. Como siempre, el artículo de Barbara Rockefeller es obligatorio.
Marketing Land - Internet Marketing News, Strategies & Dicas.
Attend Our ConferencesSearch Marketing Expo - SMX is the world's largest search engine marketing con.
Infographic: News Media Paid Content Strategies.
54942919 Teaching Strategies Activity Based Learning Teaching Strategies.
Use problem based and co-operative based strategies - teaching method.
Use problem based and co-operative based strategies - teaching method Those days: few students can try their best to study and do their work. So a Ta even the lecture should…
Evidence Based Practice - Strategies to Nursing Practice.
Evidenced Based Practice.
BASE PAPER-Caching Strategies Based on Information Density.
2194 IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, VOL. 60, NO. 5, JUNE 2011 Caching Strategies Based on Information Density Estimation in Wireless Ad Hoc Networks Marco Fiore,…