Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.

Detalhes bibliográficos
Autor(a) principal: Paiva, Francisco Caio Lima
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-20102023-152926/
Resumo: A viabilidade de obter lucro por meio de negociação em alta frequência de um único ativo financeiro é uma questão de pesquisa em aberto. O aprendizado por reforço (RL) e a análise de sentimentos textual (SA) são cada vez mais relevantes para esse problema financeiro. Notavelmente, apesar de sua proeminência, as técnicas de RL e SA raramente foram combinadas para aprender estratégias de negociação de ativos. Além disso, os tópicos não abordados incluem: capturar o impulso do sentimento do mercado por meio da extração explícita de características de sentimento que refletem a condição do mercado ao longo do tempo; e verificar se tal incorporação de informações aos algoritmos de RL não afeta negativamente a consistência e estabilidade em diferentes situações. O presente trabalho propõe que o Sentiment-Aware Reinforcement Learning Intelligent Trading System (ITS-SentARL) preencha esta lacuna. O ITS-SentARL melhora o lucro e a estabilidade ao alavancar o humor do mercado por meio de uma faixa ajustável de recursos de sentimentos obtidos de notícias textuais. Ao contrário de pesquisas anteriores, projetamos um extrator de sentimentos de acordo com o design vencedor da rede neural convolucional da competição de análise de sentimentos SemEval-2017 { o treinamento desse extrator de sentimentos foi feito com dados rotulados por especialistas de mercado. Depois de treinar o extrator de sentimento, ele pode ser usado para pontuar novos dados e usá-los como parte da representação de estado de um algoritmo Advantage Actor-Critic (A2C), uma abordagem RL. Tanto uma estratégia A2C sem sentimentos quanto a estratégia clássica de compra e retenção (BH) são usadas como linhas de base. A avaliação da arquitetura ITS-SentARL ocorre em vinte ativos financeiros, dois custos de transação e cinco diferentes períodos e inicializações. Notavelmente, os resultados mostram que o agente ITS-SentARL superou consistentemente o agente de negociação A2C de linha de base para diversas situações de mercado e, em alguns cenários, também a estratégia BH. Os resultados sugerem que a incorporação do sentimento de mercado é benéfica, mas depende da quantidade de notícias divulgadas e sua correlação com o preço.
id USP_196e7c2eca3ac059e0ba4fcfcb105088
oai_identifier_str oai:teses.usp.br:tde-20102023-152926
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.Assimilating sentiment analysis in reinforcement learning for intelligent trading.Deep neural networksInteligência artificialLinguagem naturalMercado financeiroMétodos estatísticos para aprendizagemNatural language processingRedes neuraisReinforcement learningSentiment analysisStock marketsA viabilidade de obter lucro por meio de negociação em alta frequência de um único ativo financeiro é uma questão de pesquisa em aberto. O aprendizado por reforço (RL) e a análise de sentimentos textual (SA) são cada vez mais relevantes para esse problema financeiro. Notavelmente, apesar de sua proeminência, as técnicas de RL e SA raramente foram combinadas para aprender estratégias de negociação de ativos. Além disso, os tópicos não abordados incluem: capturar o impulso do sentimento do mercado por meio da extração explícita de características de sentimento que refletem a condição do mercado ao longo do tempo; e verificar se tal incorporação de informações aos algoritmos de RL não afeta negativamente a consistência e estabilidade em diferentes situações. O presente trabalho propõe que o Sentiment-Aware Reinforcement Learning Intelligent Trading System (ITS-SentARL) preencha esta lacuna. O ITS-SentARL melhora o lucro e a estabilidade ao alavancar o humor do mercado por meio de uma faixa ajustável de recursos de sentimentos obtidos de notícias textuais. Ao contrário de pesquisas anteriores, projetamos um extrator de sentimentos de acordo com o design vencedor da rede neural convolucional da competição de análise de sentimentos SemEval-2017 { o treinamento desse extrator de sentimentos foi feito com dados rotulados por especialistas de mercado. Depois de treinar o extrator de sentimento, ele pode ser usado para pontuar novos dados e usá-los como parte da representação de estado de um algoritmo Advantage Actor-Critic (A2C), uma abordagem RL. Tanto uma estratégia A2C sem sentimentos quanto a estratégia clássica de compra e retenção (BH) são usadas como linhas de base. A avaliação da arquitetura ITS-SentARL ocorre em vinte ativos financeiros, dois custos de transação e cinco diferentes períodos e inicializações. Notavelmente, os resultados mostram que o agente ITS-SentARL superou consistentemente o agente de negociação A2C de linha de base para diversas situações de mercado e, em alguns cenários, também a estratégia BH. Os resultados sugerem que a incorporação do sentimento de mercado é benéfica, mas depende da quantidade de notícias divulgadas e sua correlação com o preço.The viability of attaining prot through high-frequency active trading of a single asset is an open research question. Reinforcement learning (RL) and textual sentiment analysis (SA) are increasingly relevant for this nancial task. Notably, despite their prominence, RL and SA techniques have rarely been combined for learning asset trading strategies. Furthermore, unaddressed topics include: capturing market sentiment momentum through the explicit extraction of sentiment features that re ect the market condition over time; and verifying that such information incorporation to RL algorithms does not negatively aect consistency and stability in dierent situations. The present work proposes that the Sentiment-Aware Reinforcement Learning Intelligent Trading System (ITS-SentARL) lls this gap. ITS-SentARL improves prot and stability by leveraging market mood through an adjustable range of past sentiment features obtained from textual news. Unlike previous research, a sentiment extractor was designed according to the convolutional neural network winning design of the renowned SemEval-2017 sentiment analysis competition { the training of this sentiment extractor was done with data labeled by market specialists. After training the sentiment extractor, it can be used to score new data and use it as part of the state representation of an Advantage Actor-Critic (A2C) algorithm, an RL approach. Both a sentiment-free A2C and the classical buy-and-hold (BH) strategy are used as baselines. The evaluation of ITS-SentARL architecture occurs over twenty assets, two transaction costs, and ve dierent periods and initializations. Remarkably, the results show that the ITS-SentARL agent consistently outperformed the baseline sentiment-free A2C trading agent for diverse market situations and, in some scenarios, also the BH strategy. Results suggest that market sentiment incorporation is benecial but depends on the amount of news released and its correlation to the price.Biblioteca Digitais de Teses e Dissertações da USPCosta, Anna Helena RealiPaiva, Francisco Caio Lima2023-04-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3141/tde-20102023-152926/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-10-09T12:45:09Zoai:teses.usp.br:tde-20102023-152926Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-10-09T12:45:09Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
Assimilating sentiment analysis in reinforcement learning for intelligent trading.
title Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
spellingShingle Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
Paiva, Francisco Caio Lima
Deep neural networks
Inteligência artificial
Linguagem natural
Mercado financeiro
Métodos estatísticos para aprendizagem
Natural language processing
Redes neurais
Reinforcement learning
Sentiment analysis
Stock markets
title_short Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
title_full Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
title_fullStr Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
title_full_unstemmed Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
title_sort Assimilando a análise de sentimento no aprendizado por reforço para negociação inteligente.
author Paiva, Francisco Caio Lima
author_facet Paiva, Francisco Caio Lima
author_role author
dc.contributor.none.fl_str_mv Costa, Anna Helena Reali
dc.contributor.author.fl_str_mv Paiva, Francisco Caio Lima
dc.subject.por.fl_str_mv Deep neural networks
Inteligência artificial
Linguagem natural
Mercado financeiro
Métodos estatísticos para aprendizagem
Natural language processing
Redes neurais
Reinforcement learning
Sentiment analysis
Stock markets
topic Deep neural networks
Inteligência artificial
Linguagem natural
Mercado financeiro
Métodos estatísticos para aprendizagem
Natural language processing
Redes neurais
Reinforcement learning
Sentiment analysis
Stock markets
description A viabilidade de obter lucro por meio de negociação em alta frequência de um único ativo financeiro é uma questão de pesquisa em aberto. O aprendizado por reforço (RL) e a análise de sentimentos textual (SA) são cada vez mais relevantes para esse problema financeiro. Notavelmente, apesar de sua proeminência, as técnicas de RL e SA raramente foram combinadas para aprender estratégias de negociação de ativos. Além disso, os tópicos não abordados incluem: capturar o impulso do sentimento do mercado por meio da extração explícita de características de sentimento que refletem a condição do mercado ao longo do tempo; e verificar se tal incorporação de informações aos algoritmos de RL não afeta negativamente a consistência e estabilidade em diferentes situações. O presente trabalho propõe que o Sentiment-Aware Reinforcement Learning Intelligent Trading System (ITS-SentARL) preencha esta lacuna. O ITS-SentARL melhora o lucro e a estabilidade ao alavancar o humor do mercado por meio de uma faixa ajustável de recursos de sentimentos obtidos de notícias textuais. Ao contrário de pesquisas anteriores, projetamos um extrator de sentimentos de acordo com o design vencedor da rede neural convolucional da competição de análise de sentimentos SemEval-2017 { o treinamento desse extrator de sentimentos foi feito com dados rotulados por especialistas de mercado. Depois de treinar o extrator de sentimento, ele pode ser usado para pontuar novos dados e usá-los como parte da representação de estado de um algoritmo Advantage Actor-Critic (A2C), uma abordagem RL. Tanto uma estratégia A2C sem sentimentos quanto a estratégia clássica de compra e retenção (BH) são usadas como linhas de base. A avaliação da arquitetura ITS-SentARL ocorre em vinte ativos financeiros, dois custos de transação e cinco diferentes períodos e inicializações. Notavelmente, os resultados mostram que o agente ITS-SentARL superou consistentemente o agente de negociação A2C de linha de base para diversas situações de mercado e, em alguns cenários, também a estratégia BH. Os resultados sugerem que a incorporação do sentimento de mercado é benéfica, mas depende da quantidade de notícias divulgadas e sua correlação com o preço.
publishDate 2023
dc.date.none.fl_str_mv 2023-04-06
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/3/3141/tde-20102023-152926/
url https://www.teses.usp.br/teses/disponiveis/3/3141/tde-20102023-152926/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256522103455744