کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947053 1439563 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Genetic programming optimization for a sentiment feedback strength based trading strategy
ترجمه فارسی عنوان
بهینه سازی برنامه نویسی ژنتیک برای استراتژی بازاریابی بازخورد احساسات
کلمات کلیدی
احساسات خبر احساس تنهایی بازار مالی، بازخورد، برنامه نویسی ژنتیکی،
ترجمه چکیده
این مطالعه بر اساس یافته های تجربی است که اخبار و رسانه های رسانه های اجتماعی توییتر (توییت ها) قدرت پیش بینی کننده ای را در جنبش بازار مالی نشان می دهند. بر اساس شواهدی که توییت سریعتر از اخبار در نشان دادن اطلاعات بازار جدید است، در حالی که اخبار به طور گسترده ای منبع اطلاعات قابل اطمینان تر از تویت ها است، ما پیشنهاد یک استراتژی تجاری برتر بر اساس قدرت بازخورد احساسات بین اخبار و توییت با استفاده از برنامه نویسی عمومی روش بهینه سازی شهود کلیدی پشت این رویکرد مبتنی بر بازخورد، این است که حرکت مشترک دو مجموعه احساسات منجر به سیگنالهای قابل توجه بازار می شود که می تواند برای تولید سود برتر تجاری مورد سوء استفاده قرار گیرد. با توجه به سرعت بین سرعت اطلاعات و قابلیت اطمینان، این مطالعه با هدف ایجاد یک استراتژی تجاری بهینه با استفاده از قدرت بازخورد اعتماد به نفس سرمایه گذاران با هدف به حداکثر رساندن بازده ریسک اندازه گیری شده توسط نسبت استرلینگ انجام شده است. ما دریافتیم که استراتژی های مبتنی بر بازخورد احساسات، بازده بازار برتر را با کمترین میزان کاهش در دوره 2012 تا 2015، مقایسه می کنند. در مقایسه با استراتژی های مبتنی بر شاخص بازخورد احساسات، بیش از 14.7 درصد نسبت استرلینگ نسبت به٪ 10.4 و٪ 13.6 از٪ استراتژی های مبتنی بر شاخص های فنی و استراتژی پایه خرید و نگهداری. پس از در نظر گرفتن هزینه های معاملاتی، استراتژی مبتنی بر شاخص های احساسات، استراتژی مبتنی بر شاخص های فنی را به طور پیوسته بهتر می کند. بازدهی نشان می دهد که مزیت از لحاظ آماری قابل توجه است. نتیجه نشان می دهد که شاخص بازخورد احساسات، حمایت از کنترل ضرر را با کمترین میزان کاهش می یابد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بهینه سازی برنامه نویسی ژنتیک برای استراتژی بازاریابی بازخورد احساسات
چکیده انگلیسی
This study is motivated by the empirical findings that news and social media Twitter messages (tweets) exhibit persistent predictive power on financial market movement. Based on the evidence that tweets are faster than news in revealing new market information, whereas news is regarded broadly a more reliable source of information than tweets, we propose a superior trading strategy based on the sentiment feedback strength between the news and tweets using generic programming optimization method. The key intuition behind this feedback strength based approach is that the joint momentum of the two sentiment series leads to significant market signals, which can be exploited to generate superior trading profits. With the trade-off between information speed and its reliability, this study aims to develop an optimal trading strategy using investors' sentiment feedback strength with the objective to maximize risk adjusted return measured by the Sterling ratio. We find that the sentiment feedback based strategies yield superior market returns with low maximum drawdown over the period from 2012 to 2015. In comparison, the strategies based on the sentiment feedback indicator generate over 14.7% Sterling ratio compared with 10.4% and 13.6% from the technical indicator-based strategies and the basic buy-and-hold strategy respectively. After considering transaction costs, the sentiment indicator based strategy outperforms the technical indicator based strategy consistently. Backtesting shows that the advantage is statistically significant. The result suggests that the sentiment feedback indicator provides support in controlling loss with lower maximum drawdown.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 264, 15 November 2017, Pages 29-41
نویسندگان
, , , ,