Sentiment-Augmented Stochastic Modelling of Financial Assets
This work introduces a unified framework integrating financial news sentiment into the stochastic modeling of asset returns. Addressing the limitations of traditional econometrics in capturing behavioral dynamics, we leverage FinBERT and Random Forest classifiers to quantify sentiment from a dataset of over 340,000 news headlines.
We propose three methodological contributions. First, we develop a Markov finite mixture model where sentiment states explicitly drive return distributions, effectively capturing data heterogeneity and non-normality. Second, we introduce a sentiment-enhanced FIGARCH framework that utilizes directional impact probabilities of market news as exogenous variables, significantly improving return and volatility forecasting across various intraday horizons. Finally, we extend this to sentiment-augmented State-Space Models, refining Hidden Markov Models (HMMs) to better infer latent market regimes and implement a heuristic forecasting algorithm based on refined HMMs.
We propose three methodological contributions. First, we develop a Markov finite mixture model where sentiment states explicitly drive return distributions, effectively capturing data heterogeneity and non-normality. Second, we introduce a sentiment-enhanced FIGARCH framework that utilizes directional impact probabilities of market news as exogenous variables, significantly improving return and volatility forecasting across various intraday horizons. Finally, we extend this to sentiment-augmented State-Space Models, refining Hidden Markov Models (HMMs) to better infer latent market regimes and implement a heuristic forecasting algorithm based on refined HMMs.
Modélisation stochastique des actifs financiers augmentée par le sentiment
Ce travail présente un cadre unifié intégrant le sentiment de l'actualité financière dans la modélisation stochastique des rendements. Pour pallier les limites de l'économétrie traditionnelle face aux dynamiques comportementales, nous utilisons FinBERT et des classificateurs Random Forest pour quantifier le sentiment de plus de 340 000 titres d'actualité. Nous proposons trois contributions méthodologiques. Premièrement, nous développons un modèle de mélange fini markovien où les états de sentiment pilotent les distributions de rendement, capturant efficacement l'hétérogénéité et la non-normalité. Deuxièmement, nous introduisons un cadre FIGARCH amélioré par le sentiment utilisant les probabilités d'impact directionnel comme variables exogènes, optimisant les prévisions de volatilité sur divers horizons intrajournaliers. Enfin, nous étendons cette approche aux modèles d'espace d'états augmentés par le sentiment, affinant les modèles de Markov cachés (HMM) pour mieux inférer les régimes latents et appliquer un algorithme de prévision heuristique.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais