A three-step machine learning approach to predict market bubbles with financial news
Abraham Atsiwo
这项研究提出了一个三步机器学习框架,通过将金融新闻情绪与宏观经济指标相结合来预测S P 500股票市场的泡沫。 在传统的计量经济学方法的基础上,拟议的方法通过整合文本和定量数据源来预测气泡的形成。 在第一步中,使用右尾单位根测试(一种广泛认可的实时气泡检测方法)来识别S P 500指数中的气泡周期。 第二步使用自然语言处理(NLP)技术从大型金融新闻文章中提取情绪特征,这些技术捕捉投资者的期望和行为模式。 在最后一步,集成学习方法应用于基于高情绪和宏观经济预测因子预测泡沫发生。 模型性能通过k倍交叉验证进行评估,并与基准机器学习算法进行比较。 实证结果表明,拟议的三步集成方法显着提高了预测准确性和稳健性,为投资者,监管机构和政策制定者在缓解系统性金融风险方面提供了宝贵的预警见解。
This study presents a three-step machine learning framework to predict bubbles in the S P 500 stock market by combining financial news sentiment with macroeconomic indicators. Building on traditional econometric approaches, the proposed approach predicts bubble formation by integrating textual and quantitative data sources. In the first step, bubble periods in the S P 500 index are identified using a right-tailed unit root test, a widely recognized real-time bubble detection method. The second s...