Анализ настроений с использованием машинного обучения для прогнозирования тенденций на индийских фондовых рынках: краткий обзор

Благодаря новому технологическому прогрессу машина может мыслить как человек-инвестор и выражать свое отношение к имеющейся финансовой информации. На основе анализа этих настроений могут быть созданы модели прогнозирования, которые помогут предсказать тенденции на индийском фондовом рынке. Цель исследования — выявить пробелы в существующих подходах к анализу настроений и моделях прогнозирования тенденций на индийском фондовом рынке, что может повысить точность прогнозирования динамики индийских акций. Представлен обзор литературы по анализу настроений финансовой информации с использованием лексических методов, методов машинного обучения и прогнозирования для индийского фондового рынка на основе данных анализа настроений. Рассматриваются научные работы, доклады конференций, диссертации, книги и статьи, опубликованные учеными за период с 2015 по 2021 г. Наборы данных, опубликованные на индийских фондовых биржах, свидетельствуют о росте в последнее время участия в индийском фондовом рынке розничных инвесторов. Чтобы помочь инвесторам в принятии решений, существуют различные модели прогнозирования, основанные на финансовой информации. Результаты исследования показали, что настроения инвесторов на основе микроэкономической и макроэкономической информации, связанной с акциями, оказывают влияние на движение цены акции. Поэтому для прогнозирования будущего тренда или цены необходим анализ настроений на основе имеющейся финансовой информации. Сделан вывод, что при помощи машинного обучения для извлечения настроений из финансовой информации можно делать более точные прогнозы, чем при анализе настроений на основе лексикона. Результаты данного исследования могут быть полезны студентам и начинающим специалистам в области анализа тональности финансовой информации и прогнозирования на фондовом рынке, которые хотят познакомиться с данной областью, выявить проблемные вопросы и создать модели прогнозирования принятия решений.

1. Edwards R. D., Magee J., Bassetti W. H.C. Technical analysis of stock trends. New York, NY: AMACOM, a division of American Management Association; 2007. 840 p.

2. Nicholson C. Building wealth in the stock market: A proven investment plan for finding the best stocks and managing risk. Milton, Qld: John Wiley & Sons Australia, Ltd; 2009. 352 p.

3. Thomsett M. C. Practical trend analysis: Applying signals and indicators to improve trade timing. Boston, MA: Walter de Gruyter Inc.; 2019. 350 p.

4. Fama E. F. The behavior of stock-market prices. The Journal of Business. 1965;38(1):34–105. DOI: 10.1086/294743

5. Nagpal A., Jain M. Efficient market hypothesis in Indian stock markets: A re-examination of calendar anomalies. Amity Global Business Review. 2018;13(1):32–41.

6. Black F. Noise. The Journal of Finance. 1986;41(3):528–543. DOI: 10.1111/j.1540–6261.1986.tb04513.x

7. De Long J.B., Shleifer A., Summers L.H., Waldmann R.J. Noise trader risk in financial markets. Journal of Political Economy. 1990;98(4):703–738. URL: https://scholar.harvard.edu/files/shleifer/files/noise_trader_risk.pdf

8. Baker M., Wurgler J. Investor sentiment and the cross-section of stock returns. The Journal of Finance. 2006;61(4):1645–1680. DOI: 10.1111/j.1540–6261.2006.00885.x

9. Baker M., Wurgler J. Investor sentiment in the stock market. Journal of Economic Perspectives. 2007;21(2):129–151. DOI: 10.1257/jep.21.2.129

10. Kumari J., Mahakud J. Does investor sentiment predict the asset volatility? Evidence from emerging stock market India. Journal of Behavioral and Experimental Finance. 2015;8:25–39. DOI: 10.1016/j.jbef.2015.10.001

11. Kumari J., Mahakud J. Investor sentiment and stock market volatility: Evidence from India. Journal of Asia-Pacific Business. 2016;17(2):173–202. DOI: 10.1080/10599231.2016.1166024

12. Pang B., Lee L. Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval. 2008;2(1–2):1–90. URL: https://www.cs.cornell.edu/home/llee/omsa/omsa.pdf

13. Misra P. An investigation of the macroeconomic factors affecting the Indian stock market. Australasian Accounting Business & Finance Journal. 2018;12(2):71–86. DOI: 10.14453/aabfj.v12i2.5

14. Kumar P., Gupta S. K., Sharma R. K. An empirical analysis of the relationship between FPI and Nifty returns. IUP Journal of Applied Economics. 2017;16(3):7–24.

15. Mann B. J.S., Babbar S. Stock price reaction around new product announcements: An event study. IUP Journal of Management Research. 2017;16(3):46–57.

16. Heston S. L., Sinha N. R. News vs. sentiment: Predicting stock returns from news stories. Financial Analysts Journal. 2017;73(3):67–83. DOI: 10.2469/faj.v73.n3.3

17. Allen D. E., McAleer M., Singh A. K. Daily market news sentiment and stock prices. Applied Economics. 2019;51(30):3212–3235. DOI: 10.1080/00036846.2018.1564115

18. Johnman M., Vanstone B. J., Gepp A. Predicting FTSE 100 returns and volatility using sentiment analysis. Accounting & Finance. 2018;58(S 1):253–274. DOI: 10.1111/acfi.12373

19. Chan S. W.K., Chong M. W.C. Sentiment analysis in financial texts. Decision Support Systems. 2017;94:53–64. DOI: 10.1016/j.dss.2016.10.006

20. Uhl M. W. Emotions matter: Sentiment and momentum in foreign exchange. Journal of Behavioural Finance. 2017;18(3):249–257. DOI: 10.1080/15427560.2017.1332061

21. Rani S., Singh J. Sentiment analysis: A survey. International Journal for Research in Applied Science & Engineering Technology. 2017;5(8)1957–1963. DOI: 10.22214/ijraset.2017.8276

22. Xing F. Z., Cambria E., Welsch R. E. Natural language based financial forecasting: A survey. Artificial Intelligence Review. 2018;50(1):49–73. DOI: 10.1007/s10462–017–9588–9

23. Yadav R., Kumar A., Kumar A. V. Event-based sentiment analysis on futures trading. The Journal of Prediction Markets. 2019;13(1):57–81. DOI: 10.5750/jpm.v13i1.1731

24. Shehu H. A., Tokat S., Sharif H., Uyaver S. Sentiment analysis of Turkish Twitter data. AIP Conference Proceedings. 2019;2183:080004. DOI: 10.1063/1.5136197

25. Alpaydin E. Introduction to machine learning. Cambridge, MA: The MIT Press; 2014. 537 p.

26. Carvalho A. Harris L. Off-the-shelf technologies for sentiment analysis of social media data: Two empirical studies. In: Americas conf. on information systems (AMCIS 2020). (August 15–17, 2020). Atlanta, GA: Association for Information Systems. 2020. URL: https://aisel.aisnet.org/amcis2020/social_computing/social_computing/6

27. de las Heras-Pedrosa C., Sánchez-Núñez P., Peláez J. I. Sentiment analysis and emotion understanding during the COVID-19 pandemic in Spain and its impact on digital ecosystems. International Journal of Environmental Research and Public Health. 2020;17(15):5542. DOI: 10.3390/ijerph17155542

28. Carvalho A., Xu J. Studies on the accuracy of ensembles of cloud-based technologies for sentiment analysis. In: Americas conf. on information systems (AMCIS 2021). (August 9–13, 2021). Atlanta, GA: Association for Information Systems. 2021:1462. URL: https://aisel.aisnet.org/amcis2021/art_intel_sem_tech_intelligent_systems/art_intel_sem_tech_intelligent_systems/12

29. Ince H., Trafalis T. B. A hybrid forecasting model for stock market prediction. Economic Computation and Economic Cybernetics Studies and Research. 2017;51(3):263–280. URL: http://www.eadr.ro/RePEc/cys/ecocyb_pdf/ecocyb3_2017p263–280.pdf

30. Cocianu C. L., Grigoryan H. Machine learning techniques for stock market prediction. A case study of Omv Petrom. Economic Computation and Economic Cybernetics Studies and Research. 2016;50(3):63–82. URL: https://www.researchgate.net/publication/308719462_Machine_learning_techniques_for_stock_market_prediction_Acase_study_of_OMV_Petrom

31. Moghaddam A. H., Moghaddam M. H., Esfandyari M. Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science. 2016;21(41):89–93. DOI: 10.1016/j.jefas.2016.07.002

32. K.-S., Kim H. Performance of deep learning in prediction of stock market volatility. Economic Computation and Economic Cybernetics Studies and Research . 2019 ; 53 (2) : 77– 92 . DOI :10.24818/18423264/53.2.19.05

33. Obthong M., Tantisantiwong N., Jeamwatthanachai W., Wills G. A survey on machine learning for stock price prediction: Algorithms and techniques. In: Proc. 2nd Int. conf. on finance, economics, management and IT business (FEMIB 2020). Vol. 1. Setúbal: Science and Technology Publications (SciTePress); 2020:63–71. DOI: 10.5220/0009340700630071

34. Rich H., Scott D., Franck B. Evaluating predictability of financial markets using New York Times sentiments and market data. 2017. URL: https://github.com/IBM/powerai-market-sentiment#readme

35. Wu G. G.-R., Hou T. C.-T., Lin J.-L. Can economic news predict Taiwan stock market returns? Asia Pacific Management Review. 2019;24(1):54–59. DOI: 10.1016/j.apmrv.2018.01.003

36. Rani N., Kaushal A., Shakir M. B. Social media and sentiment analysis of Nifty 50 Index. Journal of Prediction Markets. 2019;13(1):50–56. DOI: 10.5750/jpm.v13i1.1710