Enhancing Investment Decisions with Sentiment Analysis: A Probabilistic Ranking Framework
利用情感分析改进投资决策：概率排序框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以新闻文本提取股票收益预测信号，直接对应收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用情感分析改进投资决策：概率排序框架
- 研究问题
- 如何从文本中稀疏的情感信号提取稳定排序，并在响应分布复杂时识别可能具有股票收益预测信息的新闻内容？
- 方法与思路
- 作者对文本与有序响应建立联合半参数模型，通过词语筛选和标准化秩构造情感排序，避免估计完整模型。
- 材料陈述的贡献
- 摘要称该方法能实现一致的情感排序，并在道琼斯新闻数据中提取收益预测信号；具体预测增益未说明。
- 阅读关注点
- 应核对词语筛选与排序一致性的条件、情感标签的构造，以及新闻时间对齐、样本外检验和比较方法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；无法判断预测稳定性、交易成本或投资表现，也不能推断刊本变化。
原文摘要
We develop a probabilistic framework to extract sentiment information from text by training a model to predict and rank sentiments in newly encountered documents. Our approach imposes a joint semi-parametric model on text and ordinal response variables, addressing the challenges of sparse sentiment signals and complex response distributions. Through a word screening procedure and the use of normalized ranks, our approach achieves consistent sentiment ranking without estimating the full model. Applying our method to the Dow Jones Newswires, we demonstrate its effectiveness in extracting return-predictive signals. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.