Digging for Returns: Can Text Mining Improve Equity Return Predictions?

Abstract

Tekstgruvedrift har fått en økende rolle i finansielle applikasjoner, enten det er å undersøke innhold i nyhetartikler, se på timing og innhold i årsrapporter eller analysere effekten av sentiment i tekst. Denne studien undersøker den samlede effekten av informasjon hentet fra nyhetsartikler, selskapsdokumenter og finansielle faktorer på aksjeavkastning. Vi baserer oss på et datagrunnlag bestående av 13 000 selskapsdokumenter, over 300 000 nyhetsartikler og finansiell data for en 21 årsperiode. Våre resultater indikerer at det er hensiktsmessig å inkludere faktorer basert på tekst i kombinasjon med tradisjonelle finansielle faktorer, og at det er mulig å oppnå meravkastning basert på informasjon ekstrahert fra offentlige tekster. Vi trener et nevralt nettverk som oppnår en høyere prediksjonsnøyaktighet når vi inkluderer tekst og finansielle data i kombinasjon enn ved bruk av kun tekst eller kun finansielle data. Videre oppnår en long-short portfølje basert på prediksjonene en avkastning på 9.4 ganger investert beløp over en 6-årsperiode.

From examining context of news stories to looking at annual reports - their timing and content or investigating the effect of sentiment in text, text mining is gaining traction in financial applications. This study examines the joint effect of information gathered from news stories, company documents and financial factors on share returns. Using a sample of more than 13,000 public corporate documents, over 300,000 news stories and financial data across 21 years, we find that it is worthwhile including textual factors in combination with financial factors, and that it is possible to make abnormal return on the information contained in news stories and corporate documents. We train a neural network that obtains an out-of-sample prediction accuracy higher than the model using either textual or financial information, and a subsequent long-short portfolio that achieves returns of 9.4 times invested amount over a six-year period.