Πρόβλεψη τιμής χρηματιστηρίου με τεχνικές μηχανικής μάθησης μέσω ανάλυσης συναισθημάτων του Twitter

Abstract

Η πρόβλεψη της τιμής μια μετοχής είναι αρκετά περίπλοκη, ωστόσο αρκετοί ερευνητές θεωρούν πως εκτός του ρίσκου της μετοχής, των ειδήσεων και της προσφοράς/ζήτησης, σημαντικό ρόλο παίζει και το συναίσθημα του κοινού. Ένας τρόπος εξαγωγής αυτού του συναισθήματος είναι από τα μέσα κοινωνικής δικτύωσης όπως Twitter, Facebook, Reddit κλπ όπου χρήστες εκφέρουν την γνώμη τους με μικρά μηνύματα. Στην παρούσα διπλωματική εργασία, θα δημιουργήσουμε και θα εκπαιδεύσουμε μοντέλα Μηχανικής Μάθησης (Linear Regression, XGBoost, LSTM, SVR) για την πρόβλεψη των τιμών της μετοχής της Apple, Amazon, Google, Microsoft και Tesla μέσω Sentiment Analysis. Το σύνολο των δεδομένων εξήχθη από το Twitter και τα ιστορικά δεδομένα των μετοχών μέσω του Yahoo Finance. Η ανάλυση συναισθήματος πραγματοποιείται με το λεξικό Valence Aware Dictionary and sEntiment Reasoner (VADER). Predicting the price of a stock is quite convoluted, but several researchers believe that apart from the risk of the stock, news and supply/demand, public sentiment also plays an important role. One way of extracting this sentiment is through social media sites such as Twitter, Facebook, Reddit etc. where users express their opinion with short messages. In this thesis, we will create and train Machine Learning models (Linear Regression, XGBoost, LSTM, SVR) to predict the stock prices of Apple, Amazon, Google, Microsoft and Tesla through Sentiment Analysis. The dataset was extracted from Twitter and historical stock data via Yahoo Finance library. For sentiment analysis we used the Valence Aware Dictionary and sEntiment Reasoner (VADER).