Applications of machine learning and sentiment analysis in financial forecasting

Abstract

El aprendizaje automático ha ganado popularidad por su capacidad para aplicar técnicas estadísticas a grandes conjuntos de datos, permitiendo análisis complejos y mejorando progresivamente los resultados. En el sector financiero, se utiliza para mejorar el rendimiento empresarial en áreas como estudios de mercado, marketing, ventas y automatización de procesos, aunque aún hay áreas en finanzas poco exploradas por estas técnicas. El principal objetivo de esta tesis es investigar las capacidades de las técnicas de aprendizaje automático y el analisis de sentimientos en el campo de las finanzas y aplicarlo a las previsiones financieras. Los eventos, como el anuncio de dividendos, crean una situación en el mercado que puede ser aprovechada para obtener rendimientos anormales. Específicamente, se pretende analizar en qué medida los datos diarios obtenidos de diversas fuentes de noticias ayudan a predecir las reacciones del mercado ante diferentes eventos corporativos. Además, está tesis doctoral pretende llenar el vacío existente en el campo mediante la creación de un sistema de decisión experto que recomiende la estrategia de cobertura de divisas más adecuada para el usuario. El Capítulo 1 plantea la cuestión de la capacidad de un anuncio de dividendos para generar una señal de mercado que conduzca a cambios en los rendimientos de las acciones al día siguiente, generando así rendimientos anormales. Se utiliza un análisis de sentimientos realizado con ChatGPT para identificar el estado de ánimo de noticias y vincularlo con los rendimientos anormales. La muestra incluye 394 empresas que cotizan en el índice S&P 500, de las cuales se recopilaron 1,574 anuncios de dividendos y 7,222 noticias durante los años 2022–2023. El estudio concluye que los sentimientos juegan un papel clave en la identificación de los sentimientos del mercado justo después del anuncio de dividendos. El Capítulo 2 profundiza más en el impacto de los sentimientos en el mercado después del anuncio de dividendos e investiga los rendimientos anormales a escala intradiaria. Para este estudio, se utilizan 4,682 noticias recopiladas de 1,258 anuncios de dividendos realizados por 394 empresas que cotizan en el índice S&P 500, cubriendo el período desde enero de 2023 hasta enero de 2024. Se utiliza un modelo de regresión logística para predecir la tendencia de los rendimientos anormales. Este capítulo concluye que los sentimientos de las noticias financieras tienen un impacto significativo e inmediato en los rendimientos anormales, con un impacto decreciente a medida que avanza el tiempo. Además, la rentabilidad de la estrategia de inversión que utiliza los sentimientos de las noticias financieras supera a la estrategia de referencia de invertir en todas las acciones. Finalmente, el Capítulo 3 se enfoca en minimizar las pérdidas provocadas por fluctuaciones de tipo de cambio. Este estudio utiliza 20 años de datos diarios del tipo de cambio del euro al dólar estadounidense, desde 2002 hasta 2022, lo que comprende 5,044 registros históricos. El estudio emplea el algoritmo de aprendizaje automático de random forest y un conjunto de indicadores técnicos para predecir las fluctuaciones futuras del tipo de cambio. Finalmente, las predicciones se utilizan para crear un sistema de recomendaciones que aconseje al usuario sobre la posibilidad de cobertura. En primer lugar, el modelo de random forest logra un 79% de precisión en la predicción de la tendencia del tipo de cambio para el día siguiente. En segundo lugar, desarrolla un sistema de decisión experto que ayuda a las empresas a reducir los gastos relacionados con la gestión de la exposición a divisas. Esta tesis contribuye a la literatura existente sobre las aplicaciones del aprendizaje automático en finanzas. Los resultados demuestran que los métodos de aprendizaje automático pueden implementarse con éxito en el ámbito financiero.

Machine learning has gained popularity due to its ability to apply statistical techniques to large datasets, enabling complex analyses and progressively improving results. In the financial sector, it is used to enhance business performance in areas such as market studies, marketing, sales, and process automation, although there are still areas in finance that remain unexplored by these techniques. The main objective of this thesis is to investigate the capabilities of machine learning techniques and sentiment analysis in the field of finance and apply them to financial forecasting. Events such as dividend announcements create market situations that can be exploited to obtain abnormal returns. Specifically, the aim is to analyze to what extent daily data obtained from various news sources helps predict market reactions to different corporate events. Additionally, this doctoral thesis seeks to fill the existing gap in the field by creating an expert decision system that recommends the most suitable currency hedging strategy for the user. Chapter 1 raises the question of whether a dividend announcement has the capacity to generate a market signal that leads to changes in stock returns the following day, thereby generating abnormal returns. A sentiment analysis performed with ChatGPT is used to identify the tone of the news and link it to abnormal returns. The sample includes 394 companies listed in the S&P 500 index, from which 1,574 dividend announcements and 7,222 news articles were collected during the years 2022–2023. The study concludes that sentiment plays a key role in identifying market sentiment immediately after dividend announcements. Chapter 2 delves deeper into the impact of sentiment on the market following dividend announcements and investigates abnormal returns on an intraday scale. For this study, 4,682 news articles were collected from 1,258 dividend announcements made by 394 companies listed in the S&P 500 index, covering the period from January 2023 to January 2024. A logistic regression model is used to predict the trend of abnormal returns. This chapter concludes that the sentiment of financial news has a significant and immediate impact on abnormal returns, with a diminishing effect over time. Additionally, the profitability of the investment strategy using financial news sentiment outperforms the benchmark strategy of investing in all stocks. Finally, Chapter 3 focuses on minimizing losses caused by exchange rate fluctuations. This study uses 20 years of daily euro to US dollar exchange rate data, from 2002 to 2022, comprising 5,044 historical records. The study employs the random forest machine learning algorithm and a set of technical indicators to predict future exchange rate fluctuations. The predictions are then used to create a recommendation system that advises users on hedging possibilities. First, the random forest model achieves 79% accuracy in predicting the next day's exchange rate trend. Second, it develops an expert decision system that helps companies reduce costs related to managing foreign exchange exposure. This thesis contributes to the existing literature on the applications of machine learning in finance. The results demonstrate that machine learning methods can be successfully implemented in the financial domain.