NUS-dataforskare har utvecklat en djupinlärningsbaserad textdataanalysmetod för att extrahera sentimentinformation från analytikerrapporter för investeringsbeslut.

Ostrukturerad text är en av de största datakällorna som används för att kommunicera investerares tankar och åsikter på finansmarknaderna. Textdataanalys förvandlar dessa ostrukturerade textdata till meningsfulla data som kan ge insikter, såsom börshandelsmönster. Det finns en ökande efterfrågan inom finanssektorn att använda textinformation för att vägleda beslutsfattare att fatta bättre investeringsbeslut.

Prof Chen Ying från institutionen för matematik, NUS och hennes Ph.D. student Hitoshi IWASAKI har utvecklat en textdataanalysmetod för att extrahera sentimentindex för specifika ämnen från analytikerrapporter från börsnoterade företag. Denna sentimentextraktion, som bygger på en maskininlärningsmetod, benämns som djup neural nätverksövervakad inlärning. En nyckelfunktion i denna metod är att den analyserar rapporterna på meningsnivå snarare än enskilda ord. På det här sättet, den ursprungliga innebörden och sammanhanget kan identifieras mer exakt.

Forskargruppen utförde sentimentanalysen på mer än 110, 000 analytikerrapporter skrivna på japanska för aktier noterade på Tokyobörsen och Osakabörsen. Sentimenten införlivas sedan i en prissättningsmodell för tillgångsprissättning. Jämfört med andra tillgångsprismodeller som antingen inte inkluderar sentimentanalys eller har övergripande sentiment (enkelt aggregerat värde), deras modell visade sig ha bättre förutsägbarhet vad gäller förväntad avkastning och förbättrad tolkningsbarhet (bidrag av varje variabel komponent till resultatet).

Prof Chen sa, "I vår studie, vi fann att ämnen som speglar aktieanalytikers subjektiva åsikter har större förutsägbarhet när det gäller portföljavkastning än ämnen som rör objektiva fakta och kvantitativa mått. Detta verkar tyda på att sentimentanalys kan spela en betydande roll i modernt portföljval."