[논문 리뷰] A Sentiment Analysis Approach to the Prediction of Market Volatility

Justina Deveikyte, Hélyette Geman외 2명|arXiv (Cornell University)|2020. 12. 10.

Stock Market Forecasting Methods인용 수 9

한 줄 요약

이 논문은 금융 뉴스와 트위터 데이터를 사용하여 다음 날 시장 변동성 예측을 위한 하이브리드 감성 및 토픽 모델링 접근법을 제안한다. 감성 분석와 함께 잠재적 디리클레 배포(Latent Dirichlet Allocation, LDA)를 활용한 토픽 추출을 통해 모델은 변동성 방향에 대해 63%의 정확도를 달성하였으며, 긍정적인 트위터 감성과 다음 날 변동성 간에 강한 음의 상관관계(r = -0.7)를 보였다.

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%.

연구 동기 및 목표

• 금융 뉴스와 소셜 미디어에서 추출한 감성이 주식 시장 변동성과 수익률을 예측할 수 있는지 조사하기 위해.
• 헤드라인, 전체 뉴스 기사, 트위터 게시물의 감성 예측 능력이 FTSE100 지수에 미치는 영향을 평가하기 위해.
• LDA를 통한 토픽 모델링이 변동성 방향 예측 정확도를 향상시키는지 평가하기 위해.
• 감성 및 토픽 특징를 효과적으로 조합하여 개선된 시장 타이밍 신호를 도출할 수 있는지 확인하기 위해.
• 그랑저 인과성 검정을 활용하여 감성과 시장 움직임 간의 인과관계를 탐색하기 위해.

제안 방법

• 키워드 기반 필터링을 통해 뉴스 헤드라인, 전체 기사, 트위터 게시물을 Thomson Reuters, RavenPack, Twitter에서 수집하였다.
• 사전 학습된 감성 분석 도구를 적용하여 각 데이터 소스의 일일 감성 점수를 계산하였다.
• 일일 뉴스 및 트위터 컬렉션에서 주제 분포를 추출하기 위해 잠재적 디리클레 배포(Latent Dirichlet Allocation, LDA)를 사용하였다.
• 감성 점수와 LDA 주제 벡터를 로지스틱 회귀 분류기의 입력 특징으로 조합하였다.
• 다음 날 시장 변동성의 방향(상승/하락)을 예측하기 위해 분류기를 훈련시켰다.
• scikit-learn를 활용하여 표준 지표인 정확도, 정밀도, 재현율, F1 점수를 사용해 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 금융 뉴스의 일일 감성과 FTSE100 수익률 또는 변동성 간에 통계적으로 유의미한 상관관계가 존재하는가?
• RQ2 트위터의 감성이 뉴스 헤드라인의 감성보다 시장 변동성 예측에 더 강력한 능력을 가지는가?
• RQ3 뉴스 및 소셜 미디어 콘텐츠의 토픽 모델링이 변동성 방향 예측 정확도를 향상시킬 수 있는가?
• RQ4 금융 텍스트의 감성이 시장 수익률 또는 변동성 변화를 그랑저 인과성으로 유도하는가?
• RQ5 주제 특징의 포함 여부가 감성 기반 변동성 예측 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• 긍정적인 트위터 감성과 다음 날 시장 변동성 간에 강한 음의 상관관계(r = -0.7, p < 0.05)가 발견되어, 높은 긍정적 감성은 낮은 변동성과 관련이 있음을 시사하였다.
• 뉴스 헤드라인의 감성은 FTSE100 수익률과 통계적으로 유의미한 음의 상관관계를 보였지만, 변동성과는 관련이 없었다.
• 감성과 LDA 주제 특징를 조합한 하이브리드 모델은 시장 변동성 방향 예측에 대해 63%의 정확도를 달성하였다.
• 헤드라인 데이터셋이 가장 높은 모델 정확도(65%)를 기록하였고, 트위터(64%)와 전체 기사(67%)가 그 뒤를 이었다. 다만 정밀도는 데이터 유형에 따라 달라졌다.
• 단독으로 주제 모델링을 수행할 경우 변동성 방향 예측에 대한 신호를 제공하였으며, 모델의 정확도는 선택된 주제 수에 민감하게 반응하였다.
• 그랑저 인과성 검정 결과 귀무가설을 기각하지 못했으며(p > 0.10), 감성이 시장 수익률 또는 변동성 변화를 유도한다는 강력한 증거는 없었다.