Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Applying investor sentiment to a prediction model of the stock market
KTH, School of Computer Science and Communication (CSC).
KTH, School of Computer Science and Communication (CSC).
2017 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Applicering av tonalitetsanalys för att förutspå rörelser på aktiemarknaden (Swedish)
Abstract [en]

Using data-driven methods to predict the movements of the stock market is a growing field of research. Recently, large amounts of data sourced from online news and social media have been utilized to predict movements in financial markets. With the emergence of social media platforms, data can be gathered and used to quantify the sentiment of the market. This study investigates whether investor sentiment can be used to improve the precision of a prediction model of the stock market, specifically to explore whether the precision of a model which predicts intraday price change in direction of certain equities can be enhanced by the addition of investor sentiment. By collecting sentiment data derived from the classification of large amounts of messages from a social media platform aimed at investors and traders, a model was trained using technical data and subsequently retrained combined with sentiment data, to compare their performance. The results show that the predictive performance of the model is enhanced slightly by using sentiment data which indicates that there are potential benefits in using sentiment data to predict intraday price change in direction. However, as neither of the models shows significant classification performance, the results of this study should not be viewed as conclusive.

Abstract [sv]

Att använda data för att förutspå kommande prisförändringar på aktiemarknaden får allt mer ökad uppmärksamhet inom forskning. Nyligen har nyheter och aktivitet på sociala medier använts för att förutspå rörelser i finansiella marknader. Med uppkomsten av sociala medieplattformar riktade mot investerare har det blivit möjligt att samla in stora mängder data och använda det för att kvantifiera den samlade uppfattningen om marknaden. Denna studie undersöker om precisionen av en prediktionsmodell av aktiemarknaden kan förbättras genom att använda sig av tonalitetsanalys inom investerarplattformar för att finna den samlade bedömningen om en finansiell tillgång, mer specifikt huruvida precisionen hos en modell som förutser de dagliga prisförändringarna för specifika aktier kan förbättras. Detta har genomförts genom att samla in data som framställts genom att klassificera en stor mängd meddelanden från en social medie-plattform för investerare. Resultaten från studien tyder på att en tonalitetsanalys lett till att modellens klassificeringsprecision förbättrats, vilket indikerar att investerares uppfattningar om marknaden kan användas för att förutspå prisförändringar för en aktie. Modellernas precision är däremot inte tillräckligt signifikanta för att studiens resultat ska bedömas som slutgiltiga.

Place, publisher, year, edition, pages
2017.
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-208663OAI: oai:DiVA.org:kth-208663DiVA: diva2:1107755
Supervisors
Examiners
Available from: 2017-06-18 Created: 2017-06-10 Last updated: 2017-06-18Bibliographically approved

Open Access in DiVA

fulltext(640 kB)15 downloads
File information
File name FULLTEXT01.pdfFile size 640 kBChecksum SHA-512
083b7f2a744bae2c0ce0d7a0842f5bebf3558fbae9b3d6e827d4c03cc09aafb8f78f57a9f77daf87e1cab791d7e8deeb6dd50c1cc317086d0b8fd10c3eb19ea0
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 15 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 44 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf