| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 677.63 KB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
In this thesis we develop a multivariate timeseries classification model using machine
learning techniques and the FinBERT model for extracting sentiment on daily oil news
headlines gathered from oilprice.com. The model improves classical methods for predicting
brent oil futures by using natural language processing techniques to capture daily market
sentiment on oil and by using machine learning techniques and models to capture non linearity in the data. Using model assessment techniques, we choose an ensemble model to
conduct simple trading strategies to show how the developed models can be used in the
financial markets. In addition, we explore how news sentiment about oil affects the return of
brent oil futures under extreme events by conduction an event study. This thesis finds that by
using the developed model in trading brent oil futures with shortsaleconstraints, one can
outperform a simple buyandhold trading strategy in a bull market. As the model shows a
clear bias towards predicting positive future trading days, limitations have to be set on how
the model would perform in a bear market.
Nesta tese, desenvolvemos um modelo de classificação de séries temporais multivariadas usando técnicas de aprendizado de máquina e o modelo FinBERT para extrair o sentimento em manchetes de notícias diárias sobre petróleo coletadas do oilprice.com. O modelo melhora métodos clássicos para prever os futuros de petróleo Brent usando técnicas de processamento de linguagem natural para capturar o sentimento diário do mercado sobre o petróleo e usando técnicas e modelos de aprendizado de máquina para capturar a não linearidade dos dados. Usando técnicas de avaliação de modelos, escolhemos um modelo de conjunto para realizar estratégias de negociação simples para mostrar como os modelos desenvolvidos podem ser usados nos mercados financeiros. Além disso, exploramos como o sentimento de notícias sobre o petróleo afeta o retorno dos futuros de petróleo Brent em eventos extremos, realizando um estudo de eventos. Esta tese conclui que, ao usar o modelo desenvolvido na negociação de futuros de petróleo Brent, é possível superar uma estratégia de compra e manutenção simples em um mercado de alta.
Nesta tese, desenvolvemos um modelo de classificação de séries temporais multivariadas usando técnicas de aprendizado de máquina e o modelo FinBERT para extrair o sentimento em manchetes de notícias diárias sobre petróleo coletadas do oilprice.com. O modelo melhora métodos clássicos para prever os futuros de petróleo Brent usando técnicas de processamento de linguagem natural para capturar o sentimento diário do mercado sobre o petróleo e usando técnicas e modelos de aprendizado de máquina para capturar a não linearidade dos dados. Usando técnicas de avaliação de modelos, escolhemos um modelo de conjunto para realizar estratégias de negociação simples para mostrar como os modelos desenvolvidos podem ser usados nos mercados financeiros. Além disso, exploramos como o sentimento de notícias sobre o petróleo afeta o retorno dos futuros de petróleo Brent em eventos extremos, realizando um estudo de eventos. Esta tese conclui que, ao usar o modelo desenvolvido na negociação de futuros de petróleo Brent, é possível superar uma estratégia de compra e manutenção simples em um mercado de alta.
Description
Keywords
Machine learning Quantitative finance NLP FinBERT Oil News Sentiment Quantitativo financeiro Óleo Notícias Sentimento