[论文解读] Crowds on Wall Street: Extracting Value from Social Investing Platforms

Wang Gang, Tianyi Wang+5 more|arXiv (Cornell University)|Jun 4, 2014

Sentiment Analysis and Opinion Mining参考文献 30被引用 14

一句话总结

本文分析了9年来自SeekingAlpha和4年来自StockTwits的数据，以评估用户生成的投资内容的预测价值。研究发现，尽管整体情绪与股票表现的相关性较弱，但SeekingAlpha中少数顶尖作者的内容具有高度预测性，且可通过用户参与度而非历史收益识别这些作者，从而构建出显著超越标普500指数的投资策略。

ABSTRACT

For decades, the world of financial advisors has been dominated by large investment banks such as Goldman Sachs. In recent years, user-contributed investment services such as SeekingAlpha and StockTwits have grown to millions of users. In this paper, we seek to understand the quality and impact of content on social investment platforms, by empirically analyzing complete datasets of SeekingAlpha articles (9 years) and StockTwits messages (4 years). We develop sentiment analysis tools and correlate contributed content to the historical performance of relevant stocks. While SeekingAlpha articles and StockTwits messages provide minimal correlation to stock performance in aggregate, a subset of authors contribute more valuable (predictive) content. We show that these authors can be identified via both empirical methods or by user interactions, and investments using their analysis significantly outperform broader markets. Finally, we conduct a user survey that sheds light on users views of SeekingAlpha content and stock manipulation.

研究动机与目标

• 评估像SeekingAlpha和StockTwits这样的平台上，用户贡献的投资内容中的情绪是否具有预测能力。
• 确定是否可以在不依赖历史股价表现数据的情况下识别出表现最佳的作者。
• 评估基于众包分析的投资策略与广泛市场指数相比的实际投资表现。
• 通过大规模调查，了解用户对社交投资平台内容质量、操纵行为及信任度的看法。

提出的方法

• 收集了9年SeekingAlpha文章和4年StockTwits消息的纵向数据集。
• 使用关键词匹配和机器学习分类器开发了领域特定的情绪分析工具，在SeekingAlpha上达到85.5%的准确率，在StockTwits上达到76.2%的准确率。
• 将两个平台的情绪趋势与多个时间尺度的历史股价回报进行相关性分析。
• 基于顶尖作者的情绪信息，评估假设性投资策略，同时使用历史股价表现和用户互动指标（如评论、点赞）来识别顶尖贡献者。
• 对300多名SeekingAlpha用户和贡献者进行了大规模用户调查，以评估信任度、内容依赖度以及对操纵行为的认知。
• 使用用户互动数据作为内容质量的代理指标，证明互动信号可在无历史股价数据的情况下识别出顶尖作者。

实验结果

研究问题

• RQ1 像SeekingAlpha和StockTwits这样的平台上，用户生成的投资内容中的情绪是否与未来股价表现相关？
• RQ2 是否可以仅使用用户互动指标识别出表现最佳的作者，而无需依赖历史股价回报？
• RQ3 基于顶尖作者情绪的投资策略与被动市场基准（如标普500指数）相比如何？
• RQ4 尽管意识到潜在的操纵行为，用户在多大程度上信任并依赖社交投资平台的内容？
• RQ5 专家精选平台与同行生成平台在投资内容的质量和可预测性方面分别发挥什么作用？

主要发现

• SeekingAlpha和StockTwits的整体情绪与未来股价表现的相关性极低，表明整体情绪对市场走势的预测能力很弱。
• SeekingAlpha中少数顶尖作者的内容与未来股价回报的相关性显著更高，使得基于这些内容的投资策略可大幅超越标普500指数。
• 用户互动指标（如评论和点赞）可有效识别顶尖作者，而无需访问历史股价表现数据，为内容质量提供实用的代理指标。
• 尽管意识到潜在的操纵行为，超过62%的SeekingAlpha作者认为其内容能影响股价，尤其是在小盘和微型股中。
• 基于StockTwits情绪的投资策略通常表现弱于整体市场，凸显了依赖未经筛选的同行生成内容所面临的挑战。
• 调查结果显示，大多数用户认为SeekingAlpha具有独特性且不可替代，尽管对误导性或操纵性文章存在担忧，仍高度依赖其内容进行投资决策。