A figura mostra o desempenho simulado de três carteiras diferentes na Bolsa de Valores de Tóquio usando o modelo de precificação de ativos que incorpora a análise de sentimento desenvolvida pela equipe de pesquisa. As carteiras compreendem 10, 30 e 50 ações diferentes. O desempenho diário das carteiras é acumulado para formar o retorno acumulado. O número de ações com relatórios de analistas que variam de dia para dia é mostrado ao longo do eixo secundário (à direita). Crédito:Universidade Nacional de Cingapura
Os cientistas de dados da NUS desenvolveram um método analítico de dados de texto baseado em aprendizado profundo para extrair informações de sentimento de relatórios de analistas para decisões de investimento.
O texto não estruturado é uma das maiores fontes de dados usadas para comunicar os pensamentos e opiniões dos investidores nos mercados financeiros. A análise de dados de texto transforma esses dados de texto não estruturados em dados significativos que podem fornecer percepções, como os padrões de negociação do mercado de ações. Há uma demanda crescente no setor financeiro para utilizar informações de texto para orientar os tomadores de decisão na tomada de melhores decisões de investimento.
Professor Chen Ying, do Departamento de Matemática, NUS e seu Ph.D. o aluno Sr. Hitoshi IWASAKI desenvolveu um método analítico de dados de texto para extrair índices de sentimento para tópicos específicos de relatórios de analistas de empresas listadas. Esta extração de sentimento, que se baseia em uma abordagem de aprendizado de máquina, é denominado como aprendizado supervisionado de rede neural profunda. Uma característica principal deste método é que ele analisa os relatórios no nível da frase, em vez de palavras individuais. Desta maneira, o significado e o contexto originais podem ser identificados com mais precisão.
A equipe de pesquisa realizou a análise de sentimento em mais de 110, 000 relatórios de analistas escritos em japonês para ações listadas na Bolsa de Valores de Tóquio e na Bolsa de Osaka. Os sentimentos são então incorporados a um modelo de precificação de ativos de sentimento do tópico. Em comparação com outros modelos de precificação de ativos que não incorporam análise de sentimento ou têm sentimentos gerais (valor agregado único), seu modelo mostrou ter melhor previsibilidade sobre os retornos esperados e melhor interpretabilidade (contribuição de cada componente variável para o resultado).
O professor Chen disse, "Em nosso estudo, descobrimos que os tópicos que refletem as opiniões subjetivas dos analistas de ações têm maior previsibilidade sobre os retornos da carteira do que os tópicos relativos a fatos objetivos e medidas quantitativas. Isso parece sugerir que a análise de sentimento pode desempenhar um papel significativo na seleção de portfólio moderno. "
