ما در حال ارائه یک استراتژی تجاری ساده بر اساس پردازش زبان طبیعی (NLP) و تجزیه و تحلیل احساسات اخبار شرکت با استفاده از یک واکسن بیوتکنولوژی ایالات متحده Vaxart Inc (NASDAQ: VXRT) به عنوان نمونه هستیم. ما به عنوان منبع اصلی خبری ما از Globenewsire - ارائه دهنده اصلی کلیه اخبار شرکت در سطح جهان - استفاده می کنیم.

ما نشان می دهیم که یک استراتژی تجاری که از 10،000 دلار در سرمایه اولیه شروع می شود ، در 121 روز به سرمایه نهایی 15،742. 31 دلار افزایش می یابد و بازده استثنایی 173 ٪ در آن را به همراه خواهد داشت (بیش از شاخص بازار با یک حاشیه بزرگ برای مدت مشابه).

استراتژی

استراتژی تجارت ما قوانین ساده زیر را دارد:

• احساسات مثبت - اگر بازار با اخبار مثبت باز می شود ، طولانی بروید - خرید را باز کنید ، از نزدیک بفروشید
• احساسات منفی - اگر بازار با اخبار منفی باز می شود ، کوتاه بروید (از حرکت نزولی سهام بهره مند شوید).

بیایید نگاهی دقیق تر به اجرای Python Next بیندازیم.

پیاده سازی

خط لوله اجرای استراتژی معاملات مراحل کلیدی زیر را دارد:

1. Fetch News - در منبع خبری از طریق یک خوراک RSS (Feedparser) بخوانید
2. نمره احساسات را اختصاص دهید - نمره احساسات را اختصاص دهید (Vader and TextBlob)
3. قیمت EOD تاریخی - قیمت های تاریخی واکشی (YFINANCE)
4. Backtesting PNL - محاسبه PNL تاریخی و عملکرد بازگشت (پاندا)

اخبار از خوراک RSS

ما ابتدا اخبار خبری تاریخی مربوط به VXRT را از طریق FEED Globenewsire RSS همانطور که در زیر نشان داده شده است دریافت می کنیم و محتویات را به یک قاب داده Pandas اضافه می کنیم.

درمجموع ، قاب داده ما شامل 20 داده ردیف است (Gobenewswire بیست داستان آخر را در هر زمان معین ارائه می دهد) ، و در زیر پنج داستان آخر در این شرکت آورده شده است. توجه داشته باشید که بیشتر این اطلاعیه ها یا ساعت 11:30 صبح GMT یا 12:00 AM GMT انجام می شود ، که قبل از باز شدن بازار Nasdaq (ساعت های افتتاح بازار NASDAQ) است.

جدول - اخبار مربوط به NASDAQ: VXRT

نمره احساسات را اختصاص دهید

ما بعد با استفاده از بسته های محبوب Vader و Txtblob در پایتون ، نمره احساسات را به خلاصه اخبار اختصاص می دهیم.

نمرات احساسات معمولاً از منفی ترین تا مثبت ترین به [1 ، 1] عادی می شوند. از آنجا که روش برای هر یک متفاوت است و آنها در مجموعه داده های مختلف آموزش داده می شوند ، ما به طور متوسط دو امتیاز را مطابق شکل زیر می گیریم.

احساسات اخیر اخیر در Vaxart Inc خنثی یا مثبت بوده است ، همانطور که با نمره احساسات 0 یا بالاتر نشان داده شده است ، همانطور که در زیر نشان داده شده است ، اما در مجموعه داده های کامل نیز برخی از اخبار احساسات منفی وجود دارد.

به طور کلی، توزیع احساسات به نوع خبر بستگی دارد. برای مثال، انتظار می‌رود اخبار مربوط به پرونده‌های حقوقی احساسات منفی داشته باشند، در حالی که رویدادهایی مانند عرضه محصول جدید، ادغام و اکتساب، ثبت اختراع و تأییدیه‌های FDA احساسات مثبتی داشته باشند.

جدول - اخبار NASDAQ:VXRT با امتیاز احساسات

دریافت اطلاعات قیمت تاریخی

ما در مرحله بعدی اطلاعات قیمت تاریخی پایان روز را از YFinance API توسعه یافته ران روسی از Tradologics.com در دسترس عموم دریافت می کنیم. ما در اینجا تاریخچه کامل را تنها با سه (!) خط کد دریافت می کنیم. علاوه بر این، API همچنین امکان دانلود برای داده های اساسی شرکت و داده های قیمت را بین تاریخ های خاص فراهم می کند.

جدول — تاریخچه قیمت NASDAQ:VXRT

تست برگشت - محاسبه PnL تاریخی برای استراتژی طولانی-کوتاه

در نهایت، ما استراتژی معاملاتی خود را بر روی سرمایه اولیه فرضی 10000 دلاری با حرکت طولانی بر روی احساسات مثبت آزمایش می کنیم و بالعکس.

جدول- نتایج بک تست در سطح تجارت

همانطور که در جدول بالا مشاهده می شود، این استراتژی نتایج مثبت و منفی را برای معاملات فردی ایجاد می کند. به عنوان مثال، معامله اول منفی است (ما در بازار باز با 11. 49 دلار خرید می کنیم، در بسته شدن بازار به قیمت 8. 04 دلار می فروشیم)، در حالی که دو معامله زیر هر دو مثبت هستند و از ضرر اولیه بیشتر است.

برای ارزیابی موفقیت کلی استراتژی معاملاتی، اجازه دهید برخی از آمارهای خلاصه را از تمام بیست رویداد خبری در محدوده محاسبه کنیم.

نتایج نهایی پشت تست ما به شرح زیر است:

• سرمایه اولیه: 10000 (USD)
• سرمایه نهایی: 15, 742. 31 (USD)
• PnL تجمعی: 5, 742. 31 (USD)
• بازده تجمعی (121 روز): 57. 42٪
• بازده تجمعی سالانه: 173. 21%

نتیجه

ما نشان دادیم که امتیاز احساسات در اخبار یک سیگنال قوی برای عملکرد بازده سهام شرکت دارد.

در AltsSignals. ai، مجدداً تعدادی شاخص مشابه را آزمایش کرده‌ایم که بازدهی قابل توجهی را نیز به همراه دارند، اما شرکت باید بر اساس ویژگی‌های اساسی خاص (مثلاً فناوری رشد در مقابل ارزش سهام) با دقت انتخاب شود، زیرا بازار تمایل دارد نسبت به اخبار مبتنی بر اخبار واکنش متفاوتی نشان دهد. در مورد نوع شرکتاین استراتژی را می‌توان با استفاده از کتابخانه‌های احساسات پیشرفته‌تر مانند Google BERT که در حوزه کار آینده ما است، بهبود بخشید.