Analyse von Finanznachrichten aus China für Sentiment und Aktienprognose: Ein vergleichender Rahmen mit Sprachmodellen

Finanznachrichten haben einen erheblichen Einfluss auf die Anlegerstimmung und kurzfristige Aktienpreistrends. Während viele Studien Techniken der natürlichen Sprachverarbeitung (NLP) auf Finanzprognosen angewendet haben, konzentrierten sich die meisten auf Einzelaufgaben oder englische Korpora, mit begrenzten Forschungen in nicht-englischen Sprachkontexten wie Taiwan. Diese Studie entwickelt einen gemeinsamen Rahmen zur Durchführung der Sentimentklassifizierung und der kurzfristigen Aktienpreisschätzung anhand von chinesischen Finanznachrichten der 50 größten börsennotierten Unternehmen Taiwans. Fünf Typen von Wort-Embeddings – one-hot, TF-IDF, CBOW, skip-gram und BERT – werden systematisch über 17 traditionelle, tiefere und Transformer-Modelle sowie ein großes Sprachmodell (LLaMA3), das vollständig auf den chinesischen Finanztexten feinabgestimmt ist, verglichen. Um die Qualität der Annotation zu gewährleisten, wurden die Sentimentetiketten manuell von Annotatoren mit Finanzhintergrund zugewiesen und durch einen Doppelprüfprozess validiert. Experimentelle Ergebnisse zeigen, dass ein CNN, das skip-gram-Embeddings verwendet, die stärkste Leistung unter den Deep-Learning-Modellen erzielt, während LLaMA3 den höchsten insgesamt F1-Wert für die Sentimentklassifizierung erzielt. Für die Regression bietet LSTM durchgehend die zuverlässigsten Vorhersagefähigkeiten über verschiedene Volatilitätsgruppen hinweg, wobei die bayesianische lineare Regression bei Unternehmen mit niedriger Volatilität wettbewerbsfähig bleibt. LLaMA3 ist das einzige auf Transformer basierende Modell, das unter Bedingungen hoher Volatilität einen positiven R2 erreicht. Darüber hinaus ist die Prognosegenauigkeit für den fünf Tage umfassenden Zeitraum höher als für den fünfzehn Tage umfassenden Zeitraum, was die zunehmenden Schwierigkeiten der mittelfristigen Vorhersage unterstreicht. Diese Erkenntnisse bestätigen, dass Finanznachrichten wertvolle prädiktive Signale für Schwellenmärkte liefern und dass kurzfristige, von Sentiment informierte Prognosen die zeitnahen Investitionsentscheidungen verbessern.