<div class="csl-bib-body">
<div class="csl-entry">Salbrechter, S. (2024). <i>Financial news and the equity market: a machine learning approach to news anaysis</i> [Dissertation, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2024.109761</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2024.109761
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/193735
-
dc.description
Kumulative Dissertation aus vier Artikeln
-
dc.description.abstract
Die Dissertation mit dem Titel "Financial News and Stock Returns" (Finanznachrichten und Aktienrenditen) zielt darauf ab, verschiedene Fragen im Zusammenhang mit den Auswirkungen von Finanznachrichten auf den Aktienmarkt zu beantworten. Ein Beitrag zur Literatur ist die Anwendung neuartiger maschineller Lernmodelle, wie z.B. vortrainierte Sprachmodelle (BERT) auf Finanznachrichten, um Textdaten in großem Umfang zu analysieren. Wir trainieren ein Modell auf einem großen Korpus an Thomson Reuters Finanznachrichten zur Stimmungsanalyse, um Fragen im Zusammenhang mit der Markteffizienz und der Bewertung von Aktien zu untersuchen. Wir beantworten die folgenden Fragen: Wie effizient ist der US-Aktienmarkt, d. h. wie lange dauert es, bis positive oder negative Nachrichten in die Preise von Vermögenswerten einfließen? Reagieren die Anleger über- oder untertrieben auf die Veröffentlichung positiver oder negativer Nachrichten? Darüber hinaus wird ein neuer Ansatz zur Themenmodellierung entwickelt, der in der Lage ist, spezifische und umfassende thematische Wortcluster zu erstellen. Durch den Einsatz dieses Themenmodellierungsansatzes messen wir das Klimarisiko einzelner Unternehmen anhand der Ausprägung von Unternehmensnachrichten bezüglich der Klimarisikothemen. Dies wiederum wird verwendet, um einen Klimarisikofaktor zu erstellen - ein Long/Short-Portfolio, das in grünen Vermögenswerten long und in braunen Vermögenswerten short ist -, der als zusätzlicher Faktor für klassische Asset-Pricing-Modelle verwendet werden kann.
de
dc.description.abstract
The dissertation, entitled "Financial News and Stock Returns," aims to answer several questions related to the impact of financial news on the stock market. One contribution to the literature is the application of novel machine learning models, i.e. pre-trained language models (BERT) on financial news to analyze text data at scale. We train a model on a large corpus of Thomson Reuters financial news on the sentiment analysis task to investigate questions related to market efficiency and asset pricing. We answer the following questions: How efficient is the US equity market, i.e. how long does it take until positive or negative news are incorporated into asset prices? Do investors over- or underreact to the release of positive or negative news? Furthermore, a new topic modeling approach is developed that is able to create specific and comprehensive topic word clusters. By leveraging this topic modeling approach we measure individual firms’ climate risk by the exposure of company news to climate risk topics. This in turn is used to create a climate risk factor - a long/short portfolio that is long in green assets and short in brown assets -that can be used as an additional factor to classic asset pricing models.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Sentiment-Analyse
de
dc.subject
maschinelles Lernen
de
dc.subject
BERT
de
dc.subject
Overnight-Renditen
de
dc.subject
Renditevorhersage
de
dc.subject
Text Mining
de
dc.subject
Themenanalyse
de
dc.subject
nachhaltiges Investieren
de
dc.subject
Klimarisiko
de
dc.subject
Sentiment Analysis
en
dc.subject
Machine Learning
en
dc.subject
BERT
en
dc.subject
Overnight Returns
en
dc.subject
Return Predictability
en
dc.subject
Text Mining
en
dc.subject
Topic Modeling
en
dc.subject
Sustainable Investing
en
dc.subject
Climate Risk
en
dc.title
Financial news and the equity market: a machine learning approach to news anaysis
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2024.109761
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Stefan Salbrechter
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E330 - Institut für Managementwissenschaften
-
dc.type.qualificationlevel
Doctoral
-
dc.identifier.libraryid
AC17081133
-
dc.description.numberOfPages
199
-
dc.thesistype
Dissertation
de
dc.thesistype
Dissertation
en
dc.rights.identifier
In Copyright
en
dc.rights.identifier
Urheberrechtsschutz
de
tuw.advisor.staffStatus
staff
-
tuw.advisor.orcid
0000-0001-7821-0305
-
item.languageiso639-1
en
-
item.openairetype
doctoral thesis
-
item.openairecristype
http://purl.org/coar/resource_type/c_db06
-
item.grantfulltext
open
-
item.cerifentitytype
Publications
-
item.fulltext
with Fulltext
-
item.mimetype
application/pdf
-
item.openaccessfulltext
Open Access
-
crisitem.author.dept
E330-04 - Forschungsbereich Finanzwirtschaft und Controlling
