Overreaction as an indicator for momentum in algorithmic trading: A Case of AAPL stocks

Titel: Overreactie als indicator voor momentum in algoritmische handel: Een casestudie van AAPL-aandelen

Auteurs: Szymon Lis, Robert Ślepaczuk en Paweł Sakowski (Universiteit van Warschau)

---

1. Probleemstelling en Onderzoeksdoel

De studie onderzoekt of kortetermijn-marktoverreacties systematisch voorspeld en omgezet kunnen worden in winstgevende momentum-strategieën. Traditionele methoden behandelen momentum vaak als een exogeen historisch patroon. Deze auteurs interpreteren momentum daarentegen als het mogelijke resultaat van een voorspelbare overreactie op nieuws en sentiment.

De kernvraag is of moderne machine learning (ML) modellen, gecombineerd met fijnmazige emotionele data uit sociale media (Twitter), in staat zijn om deze overreacties in real-time te identificeren en te benutten voor handelsdoeleinden, specifiek voor Apple Inc. (AAPL) aandelen.

2. Methodologie

A. Data en Voorverwerking

• Periode: 1 januari 2019 tot 30 juni 2022.
• Marktdata: Intraday OHLCV-data (Open, High, Low, Close, Volume) voor AAPL, gesampled op vier frequenties: 1, 5, 10 en 15 minuten.
• Sentimentdata: Tweets met de string "$AAPL" verzameld via de Twitter API.
• Emotie-extractie: Gebruik van het transformer-model ModernFinBERT (HuggingFace) om voor elke tweet een vector van emotie-kansen te extraheren (bijv. angst, vreugde, verdriet, verrassing).
• Aggregatie: Emoties en volume worden geaggregeerd per tijdsinterval.
• Labeling (Doelvariabele): Overreactie ($OR_{t+1}$) wordt gedefinieerd als een extreme rendementrealisatie relatief aan de huidige volatiliteit en transactiekosten. Het is een drie-klassen probleem:
  • +1: Sterke stijging (overreactie naar boven).
  • -1: Sterke daling (overreactie naar beneden).
  • 0: Geen overreactie (neutraal).
  • De drempelwaarde ($\theta$) wordt bepaald door de volatiliteit ($\sigma_t$) en transactiekosten ($TC$).

B. Modellen en Architectuur

De auteurs vergelijken vier niet-lineaire ML-modellen met benchmarkstrategieën (Buy-and-Hold, willekeurige strategieën en klassieke overreactieregels):

1. XGBoost: Gradient-boosted trees.
2. Random Forests: Ensemble van beslissingsbomen.
3. Deep Neural Networks (DNN): Feed-forward netwerken met twee verborgen lagen.
4. Bidirectional LSTM (BiLSTM): Recurrente netwerken om tijdsafhankelijkheden in sentiment te vangen.

• Validatie: Chronologische splitsing (60% train, 20% val, 20% test) met "time-series cross-validation" en een embargo-periode om look-ahead bias te voorkomen.
• Handelsregels: Posities worden geopend als de voorspelde kans op een overreactie een bepaalde drempel ($c$) overschrijdt. Transactiekosten (bid-ask spread, commissies, slippage) worden expliciet meegenomen in de backtests.

C. Evaluatiemetrics

• Risicogecorrigeerde rendementen: Sharpe-ratio, Sortino-ratio, Maximum Drawdown.
• Statistische significantie: Jobson-Korkie test (met Memmel-correctie) om verschillen in Sharpe-ratio's tussen modellen te testen.
• Interpreteerbaarheid: SHAP (Shapley Additive exPlanations) waarden om de bijdrage van individuele features (emoties, volatiliteit, volume) aan de voorspelling te analyseren.

---

3. Belangrijkste Resultaten

A. Prestaties per Frequentie

De resultaten tonen een duidelijk patroon afhankelijk van de tijdsfrequentie:

1. 1-minuut frequentie (Ultra-high frequency):

   • De markt wordt gedomineerd door microstructuurnuis.
   • ML-modellen presteren slechts marginaal beter dan benchmarks, en alleen bij zeer zeldzame signalen.
   • Conclusie: Sentiment is te traag om op deze schaal direct voorspellend te zijn; volatiliteit en orderboek-dynamiek domineren.

2. 5-minuut frequentie:

   • ML-modellen (vooral BiLSTM en DNN) beginnen significant beter te presteren dan klassieke regels.
   • De BiLSTM behaalt een Sharpe-ratio van 0,69, wat significant hoger is dan de overreactie-benchmark (-0,94).
   • Conclusie: Sentiment- en volatiliteitsinteracties worden hier voorspelbaar.

3. 10-minuut frequentie (Het "Sweet Spot"):

   • Dit is het meest winstgevende interval.
   • Klassieke overreactie-strategieën presteren hier het allerbeste (Sharpe-ratio 1,43; jaarrendement ~34%), zelfs beter dan de meeste ML-modellen.
   • ML-modellen (DNN) presteren ook sterk (Sharpe 0,65), maar de eenvoudige gedragsregels blijken op dit tijdstip zeer effectief.
   • Conclusie: Op dit tijdstip is de markt gevoelig voor gedragsfouten die nog niet volledig zijn opgelost, maar ook niet meer louter ruis zijn.

4. 15-minuut frequentie:

   • Prestaties van ML-modellen (XGBoost) en klassieke regels convergeren.
   • De voorspelbaarheid neemt iets af ten opzichte van de 10 minuten, maar blijft significant positief.

B. Statistische Vergelijking

De Jobson-Korkie tests bevestigen dat ML-modellen statistisch significant beter presteren dan benchmarks op de 1- en 5-minuten intervallen. Op de 10-minuten frequentie domineert de klassieke overreactiestrategie (niet significant verschillend van ML, maar hoger rendement). Op 15 minuten zijn beide methoden vergelijkbaar.

C. Feature Importance (SHAP Analyse)

De SHAP-analyse onthult welke factoren de beslissingen sturen:

• Volatiliteit: Is de dominante predictor op alle frequenties. Hoge volatiliteit leidt vaak tot verkoop-signalen.
• Emoties:
  • Angst (Fear) en Verdriet (Sadness): Zijn cruciale drijvers voor verkoop-signalen, vooral bij negatieve overreacties. Dit bevestigt theorieën over verliesaversie.
  • Verrassing (Surprise): Heeft een sterk, maar frequentie-afhankelijk effect. Op 10- en 15-minuten kan verrassing leiden tot aankoopsignalen (herstel), terwijl het op kortere termijn vaak verkoop uitlokt.
  • Vreugde (Joy): Draagt bij aan aankoop-signalen, vooral op langere intraday-intervallen.
  • Neutraal: Hoog niveau van neutrale berichten wordt geassocieerd met stabiliteit en aankoopkansen.

---

4. Kernbijdragen

1. Integratie van NLP en ML: De studie bouwt een robuust pijplijn die transformer-gebaseerde emotie-extractie (ModernFinBERT) koppelt aan niet-lineaire ML-modellen voor intraday-handel.
2. Definitie van Overreactie: In plaats van overreactie als ex-post fenomeen te zien, wordt het gemodelleerd als een voorspelbare drie-klassen doelvariabele, gecorrigeerd voor transactiekosten en volatiliteit.
3. Frequentie-afhankelijkheid: Het onderzoek identificeert dat de effectiviteit van sentiment-gedreven strategieën sterk afhankelijk is van de tijdsfrequentie. Er is een duidelijke overgang van "ruis-gedreven" (1 min) naar "sentiment-gedreven" (5-10 min) en vervolgens naar "evenwichts-dynamiek" (15+ min).
4. Interpreteerbaarheid: Door SHAP te gebruiken, wordt aangetoond dat de modellen niet als "black boxes" werken, maar dat hun beslissingen consistent zijn met gedragsfinanciële theorieën (bijv. angst leidt tot verkoop).

---

5. Betekenis en Conclusie

De studie concludeert dat emotie-gedreven overreacties een voorspelbare structuur bevatten die kan worden benut door moderne machine learning, maar dat de beste strategie afhankelijk is van het tijdsvenster:

• Op ultra-korte termijn (1-5 min) zijn geavanceerde ML-modellen noodzakelijk om ruis te filteren en complexe interacties te vangen.
• Op intermediaire termijn (10 min) blijken klassieke gedragsregels (momentum) verrassend krachtig en soms zelfs superieur aan complexe modellen, wat suggereert dat op dit tijdstip de markt nog niet volledig rationeel is.
• Angst en verrassing zijn de meest informatieve sentiment-indicatoren.

De resultaten bieden nieuwe inzichten in de interactie tussen sentiment, volatiliteit en algoritmische handel. Ze suggereren dat een hybride aanpak, waarbij ML-modellen worden ingezet om de timing van sentiment-gedreven misprijzingen te verfijnen, de meest robuuste strategie vormt.

Beperkingen: De studie is beperkt tot één asset (AAPL) en één data-bron (Twitter). Toekomstig onderzoek zou zich moeten richten op cross-asset toepassingen en het integreren van orderboek-data voor een realistischer uitvoeringsmodel.