[論文レビュー] A Sentiment Analysis Approach to the Prediction of Market Volatility

Justina Deveikyte, Hélyette Geman+2 more|arXiv (Cornell University)|Dec 10, 2020

Stock Market Forecasting Methods被引用数 9

ひとこと要約

本稿では、金融ニュースおよびTwitterデータを用いて翌日の市場ボラティリティを予測するためのハイブリッドセンチメントおよびトピックモデリング手法を提案する。LDA（潜在ディリクレ割り当て）を用いたトピック抽出とセンチメント分析を統合することで、ボラティリティの方向性予測に63％の方向性正確性を達成し、陽性のTwitterセンチメントと翌日のボラティリティの間に強い負の相関（r = -0.7）が確認された。

ABSTRACT

Prediction and quantification of future volatility and returns play an important role in financial modelling, both in portfolio optimization and risk management. Natural language processing today allows to process news and social media comments to detect signals of investors' confidence. We have explored the relationship between sentiment extracted from financial news and tweets and FTSE100 movements. We investigated the strength of the correlation between sentiment measures on a given day and market volatility and returns observed the next day. The findings suggest that there is evidence of correlation between sentiment and stock market movements: the sentiment captured from news headlines could be used as a signal to predict market returns; the same does not apply for volatility. Also, in a surprising finding, for the sentiment found in Twitter comments we obtained a correlation coefficient of -0.7, and p-value below 0.05, which indicates a strong negative correlation between positive sentiment captured from the tweets on a given day and the volatility observed the next day. We developed an accurate classifier for the prediction of market volatility in response to the arrival of new information by deploying topic modelling, based on Latent Dirichlet Allocation, to extract feature vectors from a collection of tweets and financial news. The obtained features were used as additional input to the classifier. Thanks to the combination of sentiment and topic modelling our classifier achieved a directional prediction accuracy for volatility of 63%.

研究の動機と目的

• 金融ニュースおよびソーシャルメディアから抽出されたセンチメントが、株式市場のボラティリティおよびリターンを予測可能かどうかを調査すること。
• ヘッドライン、全文ニュース記事、およびツイートのセンチメントがFTSE100インデックスのボラティリティに与える予測力の評価。
• LDAを用いたトピックモデリングが、ボラティリティの方向性予測の正確性を向上させるかどうかの評価。
• センチメントおよびトピック特徴量を効果的に組み合わせることで、市場タイミングのシグナルが改善されるかどうかの検証。
• Granger因果性検定を用いて、センチメントと市場動向との因果関係の解明。

提案手法

• キーワードベースのフィルタリングを用いて、Thomson Reuters、RavenPack、およびTwitterから金融ニュースのヘッドライン、全文記事、およびツイートを収集した。
• 事前学習済みのセンチメント分析ツールを適用し、各データソースの日次センチメントスコアを算出した。
• 日次収集されたニュースおよびツイートのトピック分布を抽出するために、潜在ディリクレ割り当て（LDA）を用いた。
• センチメントスコアとLDAトピックベクトルを組み合わせ、ロジスティック回帰分類器の入力特徴量とした。
• 分類器を訓練し、翌日の市場ボラティリティの方向（上昇／下落）を予測した。
• scikit-learnを用いて、標準的な指標（正確性、適合率、再現率、F1スコア）によりモデルのパフォーマンスを評価した。

実験結果

リサーチクエスチョン

• RQ1 金融ニュースの日次センチメントとFTSE100リターンまたはボラティリティの間に統計的に有意な相関が存在するか？
• RQ2 Twitterのセンチメントが、ニュースのヘッドラインのセンチメントよりも市場ボラティリティの予測に優れたパワーを有するか？
• RQ3 ニュースおよびソーシャルメディアコンテンツのトピックモデリングが、ボラティリティ方向性予測の正確性を向上させられるか？
• RQ4 金融テキストのセンチメントが、市場リターンまたはボラティリティの変化をGranger因果性に及ぼすか？
• RQ5 トピック特徴量の組み込みが、センチメントベースのボラティリティ予測モデルのパフォーマンスに与える影響は何か？

主な発見

• 陽性のツイートセンチメントと翌日の市場ボラティリティの間に強い負の相関（r = -0.7、p < 0.05）が確認され、高い陽性センチメントは低いボラティリティと関連していることが示された。
• ニュースのヘッドラインからのセンチメントは、FTSE100リターンに対して統計的に有意な負の相関を示したが、ボラティリティには有意な相関は認められなかった。
• センチメントとLDAトピック特徴量を統合したハイブリッドモデルは、市場ボラティリティの方向性予測において63％の正確性を達成した。
• ヘッドラインデータセットが最も高いモデル正確性（65％）を示し、次にツイート（64％）、全文記事（67％）の順であったが、適合率はデータタイプによって変動した。
• トピックモデリング単体でもボラティリティ方向性の予測信号を提供したが、モデルの正確性は選択されたトピック数に敏感であった。
• Granger因果性検定の結果、帰無仮説が棄却されず（p > 0.10）、センチメントが市場リターンまたはボラティリティの変化を引き起こす強い証拠は得られなかった。