[论文解读] Words that Matter: The Impact of Negative Words on News Sentiment and Stock Market Index

Wonseong Kim|arXiv (Cornell University)|Apr 2, 2023

Financial Markets and Investment StrategiesEconomics, Econometrics and Finance被引用 3

一句话总结

本研究探讨了韩国经济新闻中负面词汇对情绪得分及KOSPI200指数的影响。通过使用Word2Vec、余弦相似度及扩展词典（Sent1000），研究发现，与基线词典（Sent0）相比，纳入高相似度负面词汇能显著提升对市场走势的情绪预测能力。

ABSTRACT

This study investigates the impact of negative words on sentiment analysis and its effect on the South Korean stock market index, KOSPI200. The research analyzes a dataset of 45,723 South Korean daily economic news articles using Word2Vec, cosine similarity, and an expanded lexicon. The findings suggest that incorporating negative words significantly increases sentiment scores' negativity in news titles, which can affect the stock market index. The study reveals that an augmented sentiment lexicon (Sent1000), including the top 1,000 negative words with high cosine similarity to 'Crisis,' more effectively captures the impact of news sentiment on the stock market index than the original sentiment lexicon (Sent0). The results underscore the importance of considering negative nuances and context when analyzing news content and its potential impact on market dynamics and public opinion.

研究动机与目标

• 探究负面词汇在塑造经济新闻文章情绪中的作用。
• 评估新闻内容所衍生的情绪如何影响韩国KOSPI200股票市场指数。
• 开发并评估一种能捕捉细微负面语言的增强型情绪词典。
• 比较改进后词典（Sent1000）与标准词典（Sent0）在金融情绪分析中的预测能力。
• 理解特定负面术语的上下文影响对市场情绪与动态的作用。

提出的方法

• 通过Word2Vec嵌入技术，识别与'Crisis'一词在语义空间中具有高余弦相似度的1,000个最负面词汇，构建自定义情绪词典（Sent1000）。
• 应用余弦相似度度量词汇与'Crisis'之间的语义接近程度，以筛选具有上下文相关性的负面术语。
• 使用自然语言处理技术处理45,723篇韩国每日经济新闻文章，分别从Sent0与Sent1000词典中提取情绪得分。
• 校准新闻标题的情绪得分，并比较其与每日KOSPI200指数变动的相关性。
• 通过统计分析评估两种词典所衍生情绪得分对市场趋势的预测能力。
• 通过比较两种词典版本下情绪得分的负面程度与市场指数的相关性，评估模型性能。

实验结果

研究问题

• RQ1 与'危机'具有高语义相似度的负面词汇在经济新闻标题中如何影响情绪得分？
• RQ2 相较于标准词典（Sent0），扩展情绪词典（Sent1000）在情绪检测方面提升了多少？
• RQ3 从新闻内容中提取的情绪得分与KOSPI200指数每日变动之间的相关性如何？
• RQ4 纳入具有上下文相关性的负面词汇如何提升情绪分析对金融市场的预测能力？
• RQ5 能否从新闻标题中提取的情绪有效预测韩国股市指数的短期波动？

主要发现

• 包含1,000个在Word2Vec空间中与'危机'高度相似的负面词汇的Sent1000词典，在新闻标题中产生的情绪得分显著低于基线词典Sent0。
• 来自Sent1000的情绪得分与每日KOSPI200指数变动的相关性强于来自Sent0的情绪得分。
• 纳入具有上下文相关性的负面词汇增强了情绪分析对市场重要新闻事件的敏感度。
• 研究发现，与'危机'的语义相似度是识别金融新闻中高影响力负面术语的强有力指标。
• 结果表明，新闻标题中细微的词汇选择——尤其是负面词汇——对投资者情绪与市场表现具有可衡量的影响。
• 扩展词典在市场压力时期提升了负面情绪的检测能力，表明其对危机相关语言具有更强的响应能力。