Tőzsdei hírbányászat a magyar részvénypiacon

Abstract

A dolgozat a szöveges formában megjelent információknak a magyar tőzsdei részvényárfolyamokra gyakorolt hatását vizsgálja szövegbányászati módszertan segítségével. A disszertáció az empirikus művek közé sorolható, melynek hipotézisei a hírekből kinyerhető információk és az árfolyamokban megnyilvánuló információk közötti kapcsolatra vonatkoznak. A dolgozat hozzáadott értékét leginkább a kétnyelvű vizsgálatok, a saját eredmények robusztusságának vizsgálata a különböző paraméterek és szövegreprezentációk megválasztására, valamint az időbeliség vizsgálata jelentik. A hipotézisek teszteléséhez a tőzsdei hírbányászati modell hozamosztályozó változatát használtam, melynek bemeneteit a BÉT prémium kategóriás részvényeihez kapcsolódó, 2014.07.01 és 2015.06.31 közötti sajtóközlemények szövegei képezik, outputját pedig egyperces lépésközökkel a közlemény publikálásának ideje és a hozzá képest legfeljebb 120 perccel eltolt időpont közötti hozam nagysága alapján képzett hozamkategória – negatív, semleges, pozitív. A hírek szövegének numerikus reprezentációi alapján nemlineáris SVM-osztályozókat tanítottam a különböző méretű tanítómintákon, melynek pontosságát 10- szeres keresztvalidációval ellenőriztem. A különböző eredmények összehasonlításához a 10- szeres keresztvalidáció során kapott átlagos pontosságot használtam. A szöveges előrejelzés pontosabbnak bizonyult a defaultnál, ugyanis az eredményeim szerint az összes paraméterkombináció 94,64%-a esetében szignifikáns volt az eltérés 1%-on. Az optimális becslési időtáv a hírbányászati feladatra a publikálás előtt 27 perc, a publikálás után pedig 19–22 perces tartományban van, tehát némi eltérést tapasztaltam Gidófalvi ±20 perces eredményéhez képest. Ez alapján tehát az információ a publikálás előtti kb. fél órában kezd beépülni a vizsgált részvények árfolyamába, majd ez a publikálást követő kb. 20 percig tart. Mivel a közzétételi folyamat kb. egy óráig tart, ezért az ehhez kapcsolódó eredményekből az a következtetés is levonható, hogy nem lehet jó modellt készíteni a folyamat kezdete elő visszanyúló időablakra. Azt tapasztaltam továbbá, hogy az azonos sajtóközlemények angol és magyar nyelven közzétett változataival készített modellek pontossága között nincs szignifikáns különbség. Nagyon szigorúan véve a magyar nyelvű korpusz kissé pontosabb becslésre adhat lehetőséget. Az optimális eredmények elég robusztusak az alkalmazott SVM osztályozási módszer C-gamma paraméterkombinációira nézve, de kb. 1%-nyi eséllyel visszaeshet a default szintre a pontosság. Az általam vizsgált egyik szövegreprezentáció sem mutatkozott sokkal jobbnak a probléma megoldására, de szigorúbban véve megállapítható, hogy az egyszerűbb reprezentációt alkalmazó modellek pontosabbak.