آیا احساسات توییتر می تواند رفتار بازار سهام را پیش بینی کند؟

بورس سهام یک محیط فوق العاده رقابتی است و امروزه صندوق های پرچین و مدیران سرمایه گذاری در حال عجله هستند تا روش های نوآورانه ای برای تولید سود برای سرمایه گذاران و موسسات خود پیدا کنند. علاوه بر این ، بنابراین تأثیر وقایع کلان اقتصادی یا محدودیت های نظارتی بر روی سرمایه گذاری های خاص ، آنها به دنبال مجموعه داده های جدید به عنوان منابع اصلی مزیت رقابتی هستند.

شخصی از تصاویر ماهواره ای Geo برای جمع آوری داده های مربوط به پارکینگ در فروشگاه های وال مارت استفاده می کند و درآمد سه ماهه آنها را پیش بینی می کند. شخص دیگری در حال پیگیری تعداد آزمایشات دارویی است که برای پیش بینی نرخ رشد کارمندان در شرکت ها و بخش های خاص پیش بینی می کند. برخی دیگر برای پیش بینی ضرر در ارقام فروش از چک برنامه استفاده می کنند. همه این مثالها از نظر مقیاس جالب اما هنوز هم کوچک هستند ، و در مقایسه با تأثیر رسانه های اجتماعی در صنعت خدمات مالی قابل مقایسه نیست.

بسیاری از دانشگاهیان طی یک دهه گذشته از مجموعه داده های مشابهی برای پیش بینی روندهای بازارهای مالی (با استفاده از تابلوهای پیام سهام ، اخبار مالی ، وبلاگ ها ، نمایش داده های جستجوی وب و غیره) استفاده کرده اند ، اما فقط مطالعات جدیدتر از رسانه های اجتماعی (به طور خاص میکروبلوگ) برای آن سوءاستفاده کرده اند. همان هدفبه طور خاص ، توییتر منبع غول پیکر اطلاعاتی را نشان می دهد که با استفاده از ابزارهای مناسب (یعنی تکنیک های پردازش زبان طبیعی) می تواند برای استنباط احساسات عمومی در مورد موضوعات خاص مورد علاقه استفاده شود.

این در واقع ایده اصلی کار من است: اگر افرادی که از توییتر در مورد آیفون نقص خود شکایت می کنند شکایت کنند ، در واقع منجر به خسارات سه ماهه اپل می شود؟البته این رابطه نه خطی است و نه ساده. این در واقع به تعداد کل کاربران ابراز احساسات خاص و همچنین به شدت احساسات آنها بستگی دارد و حتی در شرایط کامل ، باید همبستگی بین احساسات عمومی و نوسانات سهام اثبات شود.

بنابراین من این نوع رابطه را برای سه سهام اصلی فناوری (یعنی اپل ، فیس بوک و گوگل) بررسی کرده ام. حتی اگر فرض قبلی من این بود که این همبستگی ممکن است برای سهام کوچکتر قوی تر باشد ، که بی ثبات تر هستند و به راحتی تحت تأثیر نظر مردمی قرار می گیرند ، من به یک توده مهم توییت برای ایجاد تحلیل قوی در این پدیده نیاز داشتم و به همین دلیل من ترجیح می دهمسهام فناوری بزرگتر را تجزیه و تحلیل کنید.

من همچنین تصمیم گرفتم دو فیلتر دیگر را که زبان آن توییت ها است استفاده کنم (من فقط توییت های انگلیسی را انتخاب کردم) و توییت هایی را که می خواستم به آنهایی که نشان می دهم درجه خاصی از سواد مالی را از طرف کاربر نشان می دهم ، محدود کردم (فقط انتخاب کردم (من فقط انتخاب کردمآنهایی که در 140 کاراکتر شامل سهام سهام بودند). این مرحله آخر برای فیلتر کردن متون بی ربط ("من یک سیب می خورم و آن را دوست ندارم" ضروری بود). به این ترتیب ، من بیش از 160،000 توییت را برای مدت دو ماه جمع کردم و نمره ای را ا ز-20 (بسیار منفی) به +20 (بسیار مثبت) اختصاص دادم.

به منظور آزمایش همبستگی بین سهام و احساسات عمومی ، سپس یک سری از شاخص های مختلف را ساختم که برخی از آنها صرفاً با احساسات محور ، برخی دیگر با تمرکز قوی تر بر حجم و نه احساسات واقعی پیام و سایرین مخلوطتجزیه و تحلیل همه آنها در فرکانس های مختلف. من همچنین نمره KLOUT را در تجزیه و تحلیل گنجانده ام ، که ارزشی است که نشان دهنده میزان تأثیر اجتماعی یک فرد خاص در دنیای رسانه های اجتماعی است (بین 1 تا 100 متغیر است و به یک مقدار بالاتر ، قدرت تأثیر بیشتری دارد).

حتی اگر دلیل این کار پیدا کردن الگوهای و ساختارهای مشترک در احساسات محبوب بود که ممکن است در بازارهای سهام تأثیر بگذارد ، من انتظار نداشتم که همه شاخص ها مرتبط باشند ، بنابراین من از تکنیک هایی استفاده کردم که به من کمک کرد تا به طور خودکار ویژگی های مربوط را برای این تجزیه و تحلیل انتخاب کنم.

نتایج در واقع کاملاً غیر منتظره بود: یک ساختار مشترک در بین سهام های مختلف که می توانستند شناسایی شوند وجود ندارد. به عبارت دیگر ، سهام مختلف به شاخص های مختلف واکنش نشان می دهد ، احتمالاً به دلیل برخی از خصوصیات سهام که قبلاً در نظر گرفته نشده بود.

صرف نظر از شاخص خاص ، هرچند ، هر دو احساسات توییت و همچنین حجم آنها ثابت شد که قدرت پیش بینی کننده ای برای بازارهای مالی در صورتی که به طور یک دقیقه در نظر گرفته شود. همچنین به نظر من واضح است که مدت زمان تجزیه و تحلیل خیلی کوتاه است و برای آزمایش این نوع مطالعه به یک سری زمانی طولانی تر نیاز است.

این همچنین باعث شد من فکر کنم که فعالیت توییت و روزهای معاملاتی ممکن است مقاوم در برابر احساسات باشد و مطالعه این همبستگی در صورت وقوع وقایع فوق العاده شرکت جالب تر باشد (برای مثال ، یک IPO ، یک محصول جدید ، راه اندازی یک محصول جدید ،شرکت توزیع سود سهام ، مدیرعامل اخراج شده و غیره)

این مطالعه نتیجه می گیرد که اهمیت داده های رسانه های اجتماعی در استراتژی های معاملاتی را برجسته می کند ، اما ، همانطور که اغلب در آکادمی اتفاق می افتد ، در نهایت سؤالات بیشتری را نسبت به پاسخ ها ایجاد می کند. من فکر می کنم در استفاده از داده های جایگزین در سیستم های پیچیده مانند بازارهای مالی یک ارزش باورنکردنی وجود دارد ، بنابراین من فقط امیدوارم که این نوع کار دیگران را ترغیب کند تا ایده های نوآورانه را به دور از مسیر تحقیق سنتی آزمایش و آزمایش کنند.

• این پست وبلاگ بر اساس مقاله نویسنده است که آیا توییتر می تواند احساسات سرمایه گذاران را ارائه دهد؟مورد برای بخش فناوری ، تحقیقات بزرگ داده ها ، ژوئن 2016.
• این پست نظرات نویسندگان را ارائه می دهد ، نه موقعیت بررسی تجارت LSE یا دانشکده اقتصاد لندن.
• اعتبار تصویر برجسته: توییتر (برش) ، توسط g_obieta برای Rosaura Ochoa ، تحت مجوز CC-BY-2. 0
• وقتی نظر می دهید ، با سیاست نظرات ما موافقت می کنید.

Francesco Corea یک دانشمند پیچیدگی ، کارآفرین هوش مصنوعی و سرمایه گذار فناوری است و او وبلاگ Cyber Tales را اداره می کند. Francesco حامی قوی یک رویکرد تحقیقاتی بین رشته ای است و او می خواهد تعامل علوم مختلف را تقویت کند تا بتواند اتصالات پنهان را به وجود آورد. او همکار سابق Antemis ، همکار IPAM است و دکترای خود را از دانشگاه لوئیس گرفت. مباحث مورد علاقه وی Big Data و هوش مصنوعی است و او روی عمودی های Fintech ، MedTech و Energy تمرکز دارد.