تجزیه و تحلیل احساسات و تجارت الگوریتم

با پیشبرد پردازش و درک زبان طبیعی رایانه ، می توانیم عوامل بیشتری را اضافه و مستقر کنیم و آنها را به مدل پیش بینی خود مانند نمره اخبار اخبار که در اینجا معرفی خواهم کرد ، اضافه کنیم. پیشینه تجزیه و تحلیل احساسات بر اساس تحقیقات من. امروزه ، برای ما در دسترس است که از فناوری پیشرفته استفاده کنیم تا اطلاعات متنی موجود در اخبار را تجزیه و تحلیل کنیم و "نمره احساسات" را به هر مقاله اختصاص دهیم که ممکن است تأثیر آن بر قیمت سهام و جمع آوری این احساسات باشد. نمرات از خبرهای متعدد یا پست های مربوط به بازه زمانی خاص پیش بینی کننده بازده آینده سهام است. طبق روندهای گوگل ، کلمه "تجزیه و تحلیل احساسات" (به استفاده از پردازش زبان طبیعی (NLP) ، تجزیه و تحلیل متن و زبان شناسی محاسباتی برای شناساییو اطلاعات ذهنی را در مواد منبع استخراج کنید.) در طی 5 سال گذشته به طرز چشمگیری افزایش یافته است ، همانطور که از نمودار زیر مشاهده می کنید:

به منظور استفاده از تجزیه و تحلیل احساسات برای ما برای پیش بینی حرکات بازار سهام ، می توانیم از inforamtion احساسات به عنوان یک سیگنال جهت دار استفاده کنیم تا بفهمیم که آیا سهام طولانی یا کوتاه در یک نمونه کارها وجود دارد. بسیاری از صندوق های محافظت کمی ، عنصر تجزیه و تحلیل احساسات را در استراتژی های معاملاتی خود درج کرده اند.

در مورد دلایلی که احساسات اجتماعی برای پیش بینی حرکت بازار سهام بیشتر و بیشتر محبوب می شود ، می توان آنها را به شرح زیر خلاصه کرد:

اول ، این برای انسان وقت گیر است که مقالات را بخوانند و نگرش آنها را نسبت به یک موضوع خاص تفسیر کنند. دوم ، فرضیه سنتی بازار کارآمد ادعا می کند که بازارهای مالی "از نظر اطلاعاتی" هستند ، به این معنی که قیمت سهام فعلی از قبل منعکس کننده تمام اطلاعات شناخته شده است و همه حقایق رخ داده است. بنابراین ، اگر استراتژی های معاملاتی آنها مبتنی بر اطلاعات شناخته شده باشد ، سرمایه گذاران نباید هیچ فرصت داوری برای سود بیش از حد از بازار پیدا کنند. با این حال ، سایر نتایج دلگرم کننده مانند تجزیه و تحلیل احساسات ، استفاده مشروط از فرضیه بازار کارآمد را اثبات می کند.

علاوه بر این ، از آنجا که اخبار غیرقابل پیش بینی است ، قیمت بازار سهام از یک الگوی پیاده روی تصادفی پیروی می کند و با دقت بیش از 50 ٪ نمی توان پیش بینی کرد ، که به آن تئوری پیاده روی تصادفی نیز گفته می شود (این تئوری که تغییرات قیمت سهام دارای توزیع یکسانی است و از هر یک مستقل استدیگر ، بنابراین حرکت یا روند گذشته قیمت سهام یا بازار نمی تواند برای پیش بینی حرکت آینده آن استفاده شود). با این حال ، تحقیقات اخیر نشان می دهد که اخبار ممکن است غیرقابل پیش بینی باشد اما این شاخص های بسیار اولیه می توانند از رسانه های اجتماعی آنلاین برای پیش بینی تغییرات در شاخص های مختلف اقتصادی و تجاری استخراج شوند. امور مالی رفتاری همچنین اثبات دیگری را ارائه داده است که تصمیمات مالی به طور قابل توجهی توسط احساسات و خلق و خوی هدایت می شود.

سرانجام ، آغاز بارها ، معامله گر کوتاه مدت فقط می تواند برای پیش بینی بازده به 2 عامل اعتماد کند: قیمت و حجم. افزودن احساسات به یکی دیگر از عوامل کوتاه مدت تبدیل می شود که بینش کاملاً جدیدی را برای سرمایه گذاران فراهم می کند.

اگرچه ممکن است بین احساسات عمومی و قیمت سهام یا به عبارت دیگر ارتباط برقرار شود ، یا به عبارت دیگر ، ما همبستگی بین حجم معاملات سهام شرکت به همراه بازده مالی و اخبار مربوط به شرکت را با تجزیه و تحلیل احساسات متنی در مقیاس بزرگ پیدا کرده ایم ، اما باید در آن کار کنیم. توجه داشته باشید که برای ما مهم است که از این نوع تجزیه و تحلیل زبانی استفاده کنیم تا سر و صدا را در اینترنت فیلتر کنیم و فقط به اخبار مهم ، تأثیرگذار و در حال حرکت در بازار متمرکز شویم تا بتوانیم دید گسترده تری از یک شرکت ، بخش یا یککل بازاربرخی از موتورهای تجاری با فرکانس بالا (HFT) با موفقیت احساسات اجتماعی را به عنوان یکی از عناصر اساسی برای توسعه تجارت Algo با استفاده از ابزارهای ردیابی خلق و خوی خود درج کرده اند و برخی دیگر ممکن است بر اساس تجزیه و تحلیل خودکار اخبار ، رسانه های الکترونیکی به همراه داده های بازار و اخبار ، داده های داده های احساسات را بگیرند. از کتابخانه های خارجی.

در اینجا نمونه ای از نحوه ترکیب تجزیه و تحلیل احساسات با الگوریتم تجارت با مثال زیر به شما نشان خواهم داد.

نمودار اول در اینجا نتیجه پشتیبان این استراتژی را نشان می دهد. همچنین می توانید برای جزئیات بیشتر این فیلم را بررسی کنید.

طبق معمول ، بیایید به متریک بالای طرح نگاه کنیم. کل بازده 122. 6 ٪ نسبت به مدت زمان 1 سال است که برای سرمایه گذاران مطلوب است. α 1. 12 است و بسیار زیاد است و β 0. 32 است که همانطور که انتظار داشتیم نسبتاً کم است. در مورد نسبت شارپ ، برای این دوره 3. 75 است که دلالت بر بازده قابل توجهی برای سرمایه گذاران برای جبران خطر تحمل آنها دارد. نوسانات 0. 32 است که کم و 14. 29 ٪ MAXDD در مقایسه با بازده کل 122. 6 ٪ قابل قبول است. درمجموع ، تمام این اندازه گیری ها به طور کلی کاملاً چشمگیر هستند.

بیایید به کد استراتژی مربوط به احساسات بعدی نگاه کنیم. ما پرونده های CSV خارجی را وارد می کنیم (تصویر بخشی از پرونده زیر را بارگذاری می کنم). همانطور که مشاهده می کنید ، این پرونده شامل نمره احساسات 4 اوراق بهادار ("AAPL" ، "FB" ، "جاسوسی" ، "TSLA") در سال 2013 است. من از نمره محاسبه شده در پرونده به عنوان "صعودی" استفاده می کنم (وقتینمره احساسات = 1) یا "نزولی" (هنگامی که نمره احساسات = -1) سیگنال می دهد تا سهام را به سبد های طولانی و کوتاه اختصاص دهند. این استراتژی ها این سیگنال ها را به عنوان راهنما برای ورود به موقعیت ها در ابتدای بازار باز می کنند و تا زمانی که این احساسات تغییر کند ، آن موقعیت ها را حفظ می کند. احساساتی که برای محاسبه تجارت استفاده می شود: کوتاه ، طولانی یا تهی برای یک روز معاملاتی مشخص است.

الگوریتمی که برای پشتیبانان ساخته شده است شامل کمیسیون (هزینه برای هر سهم 0. 0075 دلار و 1. 0 دلار برای معاملات دقیقه ای) و لغزش (به طور کلی لغزش به عنوان "تأثیر قیمت" تجارت شما گفته می شود زیرا سفارش شما بر بازار تأثیر می گذارد ، یعنی سفارش خرید شما قیمت ها را هدایت می کند. قیمت بالا و فروش قیمت را پایین می آورد). با این کار می توانیم از صحت نتیجه پشتی خود در مقایسه با نتیجه معاملات در زمان واقعی اطمینان حاصل کنیم.

از تصویر زیر ، می بینید که آلگو دو سبد و خرس را تنظیم می کند- هر زمان که نمره احساسات با 1 برابر باشد و ما در حال حاضر آن امنیت را نداریم ، آن را به سبد گاو نر خود اضافه خواهیم کرد و بالعکس. اگر نمره احساسات برابر با 0 باشد به این معنی است که ما تحت این شرایط هیچ اوراق بهادار خریداری یا فروش نمی کنیم. اهرمی که من در اینجا برای هر سبد تنظیم کرده ام 0. 5 است ، به این معنی که در کل 1 (بدون اهرم) است و من برای ردیابی تغییرات آن ، اهرم را در کل دوره پشتی ثبت می کنم.

علاوه بر این ، ما به جای حالت روزانه برای استراتژی ، پشتی را در حالت دقیقه اجرا می کنیم و عملکردی را تنظیم کرده ایم تا تمام سفارشات باز را در پایان هر روز لغو کنیم و در حالی که جزئیات مربوط به موقعیت های طولانی و کوتاه را که ممکن است یک شبه در آن نگه داشته باشیم ، تمام سفارشات باز را لغو کنیم.(می توانید جزئیات را از ویدئویی که بارگذاری می کنم بررسی کنید).

همانطور که تصویر زیر را مشاهده می کنید ، متریک با دیدن تعداد توییت های صعودی/نزولی برای یک روز معین محاسبه می شود. اگر تعداد توییت های صعودی از تعداد توییت های نزولی بیشتر باشد ، ما نمره 1 این امنیت و-1 را برای Bearish ثبت می کنیم. در مورد منابع پرونده ، می توانید در اینجا بررسی کنید.

من همچنین نمرات احساسات تجمعی این 4 اوراق بهادار را در یک نمودار ترسیم می کنم. مکانیسم پشت این است که اگر نمره احساسات برابر باشد با 1 من 1 را به متغیر Y (نمره تجمعی) اضافه می کنم و اگر نمره برابر باش د-1 ، م ن-1 را به صورت معکوس اضافه می کنم. X (سری زمانی) همیشه 1 را اضافه می کند که از طریق هر ردیف پرونده که در کل 314 ردیف است (در پایان x = 314).

همانطور که به وضوح از نمودار مشاهده می کنید که نمره احساسات تجمعی هر سه اوراق بهادار از جمله AAPL ، FB و TSLA به طور کلی با گذشت زمان به سمت بالا حرکت می کنند ، اما نمره تجمعی S& P500 به طور کلی به سمت پایین حرکت می کند. به طور خلاصه ، توییت هایی که ما برای تجزیه و تحلیل احساسات خود در آن دوره جمع آوری کردیم ، احساسات مثبت مثبت در مورد AAPL ، FB و TSLA و احساسات کمی منفی درباره S& P500 نشان می دهد. همچنین می توانید بخشی از کدی را که من نوشتم برای ترسیم نمودار به شرح زیر بررسی کنید.

در اینجا برخی از نمودارهای جالب از تجزیه و تحلیل این پشتی آورده شده است. جای تعجب آور نیست که ببینیم قرار گرفتن در معرض طولانی مدت نمونه کارها بسیار بیشتر از قرار گرفتن در معرض کوتاه به طور کلی است زیرا روند احساسات اکثر اوراق بهادار موجود در نمونه کارها به سمت بالا حرکت می کند. ما همچنین می توانیم اطلاعات مربوط به تخصیص هر امنیت را در نمونه کارها به مرور زمان ضبط کنیم. تخصیص جاسوسی و FB با گذشت زمان کاملاً پویا است (به عقب و جلو حرکت کنید). با این حال ، به نظر می رسد که تخصیص AAPL با گذشت زمان در موقعیت بالایی قرار می گیرد و از ژوئیه سال 2013 حتی بالاتر می رود. اگر تخصیص آن را با نمودار نمره احساسات تجمعی در بالا وصل کنید ، می فهمید که نمره احساسات AAPL استبه طور کلی و روند صعودی آن در پایان دوره تندتر می شود که به نظر می رسد دلیل تخصیص زیاد و مداوم آن در نمونه کارها را نشان می دهد.

از نمودار زیر ، می توانیم سابقه گردش روزانه سبد سهام خود را مشاهده کنیم (اندازه گیری نقدینگی سهام با تقسیم تعداد کل سهام معامله شده در یک دوره به طور متوسط تعداد سهام برجسته برای دوره محاسبه می شود ؛ این نشان می دهد که چه مقدار ازحساب وی از معامله گر استفاده می کند. تعداد معامله گر را ایمن تر می کند). متوسط گردش روزانه حدود 0. 2 است که کم است. از نظر حجم معاملات روزانه (هنگامی که میانگین حجم معاملات روزانه زیاد است ، می توان سهام را به راحتی معامله کرد و نقدینگی بالایی داشته باشد. در نتیجه ، متوسط حجم معاملات روزانه می تواند در قیمت امنیت تأثیر بگذارد) ، ITبرای این بازه زمانی حدود 1000 سهم ارتعاش می کند.

همچنین چندین روش مشابه به جز محاسبه نمره احساسات به طور مستقیم برای تهیه یک استراتژی معاملاتی وجود دارد. این مطالعات نشان داده اند که بین تغییرات در رفتار جمع آوری اطلاعات در مقیاس بزرگ در مورد ویکی پدیا و تصمیمات تجاری شرکت کنندگان در بازار ارتباط وجود دارد. آنها با اجرای یک استراتژی سرمایه گذاری فرضی که از داده های مربوط به صفحه ویکی پدیا یا ویرایش صفحات ویکی پدیا استفاده می کند ، تغییرات در استفاده از ویکی پدیا را با حرکات بعدی بازار سهام در داده های تاریخی مقایسه کردند. من به طور خلاصه نتیجه را از نمودار زیر به شما نشان خواهم داد. می توانید این لینک را برای جزئیات صریح بررسی کنید.

می بینید که بازده استراتژی های مبتنی بر مقاله ویکی پدیا از دوره به طور قابل توجهی بالاتر از بازده استراتژی های تصادفی است. در اینجا همچنین یک الگوریتم مربوط به این استراتژی است که ممکن است به آن علاقه مند شوید (می توانید پیوند را در اینجا بررسی کنید).

علاوه بر این ، این مطالعات همچنین نشان داد که روندهای گوگل حاوی سیگنالهایی هستند که می توانند در یک الگوریتم معاملاتی مورد سوء استفاده قرار گیرند. برای به دست آوردن جزئیات بیشتر در مورد تحقیق و پیوند در اینجا برای الگوریتم مربوطه می توانید این مقاله را بررسی کنید. من می خواهم یکی از نتایج جالب آنها را در اینجا به اشتراک بگذارم:

بر اساس تحقیقاتی که انجام داده اند ، آنها عملکرد مجموعه ای از 98 اصطلاح جستجوی Google را که شامل اصطلاحات مربوط به مفهوم بازار سهام است ، تجزیه و تحلیل کردند. سپس آنها یک استراتژی سرمایه گذاری فرضی را بر اساس داده های حجم جستجو اجرا کردند. سود فقط در صورتی حاصل می شود که حداقل برخی از تغییرات آینده در قیمت سهام به درستی پیش بینی شود. نمودار بالا بازده تجمعی 98 استراتژی سرمایه گذاری را بر اساس حجم جستجو نشان می دهد (محدود به درخواست های جستجوی کاربران واقع در ایالات متحده برای اصطلاحات جستجوی مختلف در سمت چپ و حجم جستجوی جهانی در سمت راست.) دو سایه آبیبازده مثبت و دو سایه قرمز را نشان می دهد که بازده منفی را نشان می دهد. همچنین می توانید کلمات مرتبط را در سمت راست هر نمودار شناسایی کنید.

الگوریتم های مبتنی بر احساسات به شدت به نتیجه تجزیه و تحلیل احساسات متکی هستند که ما یا از طریق مدل های خودمان تولید می کنیم یا از منابع خارجی وارد می کنیم. از نظر ساخت مدل تجزیه و تحلیل احساسات خودمان ، می توانیم از مراحل زیر شروع کنیم:

• در جستجوی مقالات یا اخبار هدف
• تمیز کردن و تهیه داده های متن
• ویژگی های ساختمان (استانداردهای اندازه گیری) از اسناد متنی
• آموزش مدل برای طبقه بندی احساسات مثبت و منفی
• آزمایش مدل برای کار با مجموعه داده های متن در مقیاس بزرگ

من نمونه های بیشتری از الگوریتم های تجزیه و تحلیل احساسات و تجارت را در مقاله بعدی خود به شما نشان خواهم داد. لطفا در صورت تمایل نظرات خود را ترک کنید و ایده های خود را در اینجا با من به اشتراک بگذارید. من منتظرم از شما خبری برسد. امیدوارم از مطالب لذت ببرید. متشکرم!