交易事件：基于新闻驱动交易的公司事件检测
发表评论
238 views

中文标题：事件交易：基于新闻事件驱动交易的公司事件检测

英文标题：Trade the Event: Corporate Events Detection for News-Based Event-Driven Trading

发布平台：ACL

ACL

发布日期：2021-01-01

引用量（非实时）：17

DOI：10.48550/ARXIV.2105.12825

作者：Zhihan Zhou, Liqian Ma, Han Liu

关键字： #交易事件

文章类型：journalArticle

品读时间：2024-01-24 14:19

1 文章萃取

1.1 核心观点

本文将公司事件视为股票变动背后的驱动力，并旨在从公司事件发生时可能发生的临时股票错误定价中获利发生。本文引入了一种新颖的事件驱动交易策略，该策略可以从任意未标记的新闻文章中检测交易信号。

该策略的核心是双层事件检测模型：低级事件检测器先对每个 token 进行分类来识别描述特定事件的子序列，而高级事件检测器则根据低层事件检测器的预测结果，将其与输入文章的全局上下文信息相结合，以预测每个事件存在的概率

此外，本文还发布了一个经过精心注释的数据集 EDT，其中包含 300000 + 新闻文章，用于企业事件检测和基于新闻的股票预测基准；实验表明，本文提出的提出的策略在胜率、市场超额回报以及每笔交易的平均回报方面均优于所有基线

1.2 综合评价

  • 双层事件检测模型，将宏观和细粒度的理解结合起来，以有效地识别企业事件
  • 实验阶段对事件时效性进行了分析，论证了事件时效性对股票预测的重要影响
  • 缺少消融实验，模型结构的合理性有待确定；不过使用的数据和代码均以开源

1.3 主观评分：⭐⭐⭐⭐

2 精读笔记

2.1 算法细节

模型整体架构：

  • 通过在金融百科全书（6260个解释性文档）和金融新闻文章（9721 篇）上使用掩蔽语言模型（MLM）损失来训练模型来执行领域适应；训练期间，输入序列的 15% token 被屏蔽，训练目标是预测被屏蔽的 token；
  • 事件检测模型以一篇文章为输入，分别从两个层面检测事件。每篇文章都与一个特殊的标记 [CLS] 连接；将 [CLS] 的最后一个隐藏状态 $h$ 视为整篇文章的表示
  • 低级事件检测器基于每个 token 的嵌入表示进行多分类（对应一个低级损失）；高级检测器将低级预测以及整篇文章的表示连接起来，以计算每个事件存在的概率，其对应的也是一个多标签分类问题（对应一个高级损失）

其他算法细节：

  • 股票代码识别器：对于每个给定的文章，和所有公司股票（名称/代码）对之间执行字符串匹配，选择出现频次最多的一只股票；与标题前几个单词匹配的公司股票对被分配更高的置信度
  • 两种交易策略：在检测到事件后的第一个可用时间进行交易；策略 1（Trade-At-End，TAE），在交易闭市前考虑是否进行交易；策略 2（Trade-At-Best, TAB），在处于最佳价格（最高卖点/最低买点）时进行交易
  • 交易策略补充：执行 20% 的止损先，即当股票下跌 20% 时立即卖出

2.2 实验分析

主要关注的事件类型：

  • Guidance Increase (GI)，公司对其即将到来的季度/财年收益的公开估计
  • Acquisition (A)，一家公司宣布购买另一家公司的全部或部分股份/资产时，即发生收购事件
  • New Contract (NC)，公司宣布获得新合同
  • Stock Split (SS)，公司将其现有股票分割为多股新股
  • 反向股票分割 (Reverse Stock Split，RSS)，股票分割的逆过程，即将现有股票数量合并为更少的股票
  • Positive Clinical Trial & FDA Approval (CT)，包含积极的临床试验结果、获 FDA 批准等事件
  • 股票回购（Stock Repurchase，SR），包括宣布、恢复或增加股票回购计划
  • Dividend (RD) ，公司支付给股东的部分利润的分配
  • Dividend Cut (DC)，指减少、停止或暂停预先宣布的股息
  • Dividend Increase (DI)，指定期股息的增加
  • 特别股息 (SD)，公司宣布向其股东支付非经常性股息

事件类型分布：

文章的价格标签包括：可交易第一分钟的开盘价/收盘价、随后1/2/3个交易日的最高价/最低价、随后1/2/3个交易日的收盘价、以及每个价格对应的分钟级时间戳

评价指标：胜率（收益大于 0 的交易占比），投资回报收益率，超额收益金额（初始资金为 1w 美元）

模型对比（单日交易，即在事件发生后的 24 h 内完成交易）：

  • TAB (Trade-At-Best) 策略的平均回报率明显更高

模型对比（双日交易，即在事件发生后的 48h 内完成交易）：

不同事件类型的性能表现：

时效性分析（开盘交易 vs 收盘交易）：

其他实验补充：

  • 股票识别器的准确率是 98.15%(1643/1674)
  • 随着投资规模的扩大，流动性可能会极大地限制模型的盈利能力

相关资源

往年同期文章