Применение анализа тональности настроений в средствах массовой информации и социальных сетях для генерации торговых сигналов на рынке Форекс
https://doi.org/10.26794/2308-944X-2023-11-4-84-94
Аннотация
Цель данного исследования — изучить возможность анализа настроений для формирования торговых сигналов на валютном рынке (Форекс).
Автор измеренной тональности настроений в сообщениях социальных сетей и статьях средств распространения информации, будущего доллара США, с использованием следующих методов : анализа на основе лексики и алгоритма наивного байесовского классификатора.
Полученные результаты показывают, что анализ настроений является ценным инструментом для прогнозирования рынка движения и разработки торговых сигналов. Отмечается, что его эффективность сохраняется в различных рыночных условиях.
Автор делает вывод , что, анализируя настроения, выраженные в новостях и социальных сетях, трейдеры могут предоставить представления о преобладающих валютных курсах к доллару США и валютам других стран, что является наиболее доступным способом принятия торговых решений. Настоящее исследование позволяет включить анализ настроений в торговые стратегии в качестве ключевого инструмента для прогнозирования динамики рынка.
Об авторе
О. Ф. ОлайапоСоединённые Штаты Америки
Олувафеми Ф. Олайапо — аспирант кафедры математики
Атланта
Список литературы
1. Drehmann M., Sushko V. The global foreign exchange market in a higher volatility environment. BIS Quarterly Review. 2022;(12):33–48. URL: https://www.bis.org/publ/qtrpdf/r_qt2212f.pdf
2. Kao B., Huang K.W. The impact of news sentiment on stock returns: Evidence from the US stock market. International Journal of Economics and Finance. 2016;8(45):18–33.
3. Bollen J., Mao H., Zeng X. Twitter mood predicts the stock market. Journal of Computational Science. 2011; Mar1;2(1):1–8. URL: https://doi.org/10.1016/j.jocs.2010.12.007
4. Fang X., Zhan J. Sentiment analysis using product review data. Journal of Big Data. 2015;Dec;2(1):1–4. DOI: 10.1186/s40537–015–0015–2
5. Zhang Y., Song D., Zhang P. et al. A quantum-inspired sentiment representation model for twitter sentiment analysis. Applied Intelligence. 2019;Aug15;49:3093–3108. URL: https://doi.org/10.1007/s10489–019–01441–4
6. Fink J., Yehuda B. Predicting stock returns with textual sentiment: A comparison of methods. Journal of Financial Data Science. 2016;1(1):5–28.
7. Hong Q., Huang X. Predicting stock price movements with Twitter sentiment analysis. Journal of Systems Science and Complexity. 2015;28(1):162–184.
8. Huang X., Wu X., Wang X. Sentiment analysis in financial markets research: a survey. Journal of Data and Information Science. 2018;3(2):1–18.
9. Olaiyapo O.F., Adetifa K.B. Natural language processing for Forex trading signals. International Journal of Scientific Research and Engineering Development. 2023;6(3)May-June. URL: https://doi.org/10.5281/zenodo.8104023
10. Kotsiantis S.B. Supervised machine learning: A review of classification techniques. Informatica. 2007;160(1):3– 24. URL: https://informatica.si/index.php/informatica/article/viewFile/148/140
11. Ma Y., Huang X., Wu X. Sentiment analysis of financial text data: A survey. Information Processing and Management. 2021;58(4):102559. URL: https://doi.org/10.1016/j.ipm.2021.102559
Рецензия
Для цитирования:
Олайапо О.Ф. Применение анализа тональности настроений в средствах массовой информации и социальных сетях для генерации торговых сигналов на рынке Форекс. Review of Business and Economics Studies. 2023;11(4):84-94. https://doi.org/10.26794/2308-944X-2023-11-4-84-94
For citation:
Olaiyapo O.F. Applying News and Media Sentiment Analysis for Generating Forex Trading Signals. Review of Business and Economics Studies. 2023;11(4):84-94. https://doi.org/10.26794/2308-944X-2023-11-4-84-94