Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Forecasting stock prices using sentiment information in annual reports - A neural network and support vector regression approach

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F13%3A39896546" target="_blank" >RIV/00216275:25410/13:39896546 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.wseas.org/multimedia/journals/economics/2013/235702-202.pdf" target="_blank" >http://www.wseas.org/multimedia/journals/economics/2013/235702-202.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Forecasting stock prices using sentiment information in annual reports - A neural network and support vector regression approach

  • Popis výsledku v původním jazyce

    Stock price forecasting has been mostly realized using quantitative information. However, recent studies have demonstrated that sentiment information hidden in corporate annual reports can be successfully used to predict short-run stock price returns. Soft computing methods, like neural networks and support vector regression, have shown promising results in the forecasting of stock price due to their ability to model complex non-linear systems. In this paper, we apply several neural networks and ?-support vector regression models to predict the yearly change in the stock price of U.S. firms. We demonstrate that neural networks and ?-support vector regression perform better than linear regression models especially when using the sentiment information. The change in the sentiment of annual reports seems to be an important determinant of long-run stock price change. Concretely, the negative and uncertainty categories of terms were the key factors of the stock price return. Profitability a

  • Název v anglickém jazyce

    Forecasting stock prices using sentiment information in annual reports - A neural network and support vector regression approach

  • Popis výsledku anglicky

    Stock price forecasting has been mostly realized using quantitative information. However, recent studies have demonstrated that sentiment information hidden in corporate annual reports can be successfully used to predict short-run stock price returns. Soft computing methods, like neural networks and support vector regression, have shown promising results in the forecasting of stock price due to their ability to model complex non-linear systems. In this paper, we apply several neural networks and ?-support vector regression models to predict the yearly change in the stock price of U.S. firms. We demonstrate that neural networks and ?-support vector regression perform better than linear regression models especially when using the sentiment information. The change in the sentiment of annual reports seems to be an important determinant of long-run stock price change. Concretely, the negative and uncertainty categories of terms were the key factors of the stock price return. Profitability a

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    AE - Řízení, správa a administrativa

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA13-10331S" target="_blank" >GA13-10331S: Úloha textové informace v modelech predikce finanční tísně podniků - přístupy specifické podle států a průmyslových odvětví</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2013

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    WSEAS Transactions on Business and Economics

  • ISSN

    1109-9526

  • e-ISSN

  • Svazek periodika

    10

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    GR - Řecká republika

  • Počet stran výsledku

    13

  • Strana od-do

    293-305

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus