Expertní systém pro rozhodování na akciových trzích s využitím sentimentu investorů

Expert System for Decision-Making on Stock Markets Using Investor Sentiment

teze Ph.D. práce

čeština

Předložená disertační práce zkoumá potenciál využití skóre sentimentu extrahovaného z textových dat společně s historickými daty o akciovém indexu ke zlepšení výkonnosti predikce na akciovém trhu prostřednictvím vytvořeného modelu expertního systému. Vzhledem k tomu, že velké množství textových dokumentů souvisejících s financemi, které zveřejňují jak profesionální, tak amatérští investoři, nejen na online sociálních sítích, by mohly mít dopad na vývoj akciových trhů, je zásadním úkolem analyzovat finanční texty zveřejněné různými uživateli a zejména z nich extrahovat sentiment investorů. V této práci je sentiment investorů získán z online finančních zpráv a příspěvků zveřejněných na finanční sociální platformě StockTwits. Skóre sentimentu je stanoveno pomocí hybridního přístupu kombinující modely strojového učení s učitelem a neuronových sítí, přičemž ke klasifikaci polarity sentimentu je využito vícero lexikonů pozitivních a negativních slov. Je analyzován vliv skóre sentimentu na akciový trh prostřednictvím kauzality, kointegrace a koherence. V disertační práci je navržen model expertního systému založený na metodách fuzzy logiky. Fuzzy logika poskytuje pozoruhodné vlastnosti při práci s vágními, nepřesnými či nejasnými údaji a je schopna vypořádat se s chaotickým prostředím na akciových trzích. V nedávných vědeckých studiích na popularitě získává vyšší úroveň fuzzy logiky, která je označována jako type-2 fuzzy logika. Oproti klasické type-1 fuzzy logice, je tento vyšší typ schopen mezi zdvojené funkce členství integrovat určitou úroveň nejistoty. Tento typ expertního systému je ovšem v předmětné problematice predikce akciového trhu s využitím extrahovaného sentimentu investorů značně opomíjen. Z toho důvodu je v disertační práci zkoumán potenciál využít a výkonnost type-2 fuzzy logiky. Konkrétně je vytvořeno několik type-2 fuzzy modelů, které jsou trénovány na historických datech akciového indexu a skóre sentimentu investorů za období 2018-2020. Vytvořené modely jsou posouzeny k měření výkonu predikce bez sentimentu i s integrací sentimentu investorů. Následně je na základě vytvořeného expertního modelu stanovena investiční strategie a sledována jeho ziskovost. Výkonnost predikce fuzzy modelů je srovnávána s výkonností několika srovnávacích modelů, včetně SVM, KNN, naivního Bayes a dalších. Z experimentů bylo pozorováno, že modely fuzzy logiky jsou schopny vhodným nastavením funkcí členství a nejistoty v nich obsažených vylepšit predikci a jsou schopny konkurovat klasickým expertním modelům predikce, které jsou standardně využívané ve výzkumných studiích. Vytvořený model by měl sloužit jako nástroj pro podporu investičního rozhodování individuálním investorům.

The presented dissertation examines the potential of using the sentiment score extracted from textual data with historical stock index data to improve the performance of stock market prediction through the created model of the expert system. Given the large number of financial-related text documents published by both professional and amateur investors, not only on online social networks that could have an impact on real stock markets, but it is also crucial to analyze and in particular extract financial texts published by different users. investor sentiment. In this work, investor sentiment is obtained from online financial reports and contributions published on the financial social platform StockTwits. Sentiment scores are determined using a hybrid approach combining machine learning models with the teacher and neural networks, with multiple lexicons of positive and negative words used to classify sentiment polarity. The influence of sentiment score on the stock market through causality, cointegration and coherence is analyzed. The dissertation proposes a model of an expert system based on fuzzy logic methods. Fuzzy logic provides remarkable features when working with vague, inaccurate or unclear data and is able to deal with the chaotic environment of stock markets. In recent scientific studies, it has gained in popularity a higher level of fuzzy logic, which is referred to as type-2 fuzzy logic. Unlike the classic type-1 fuzzy logic, this higher type is able to integrate a certain level of uncertainty between the dual membership functions. However, this type of expert system is considerably neglected in the subject issue of stock market prediction using the extracted investor sentiment. For this reason, the dissertation examines the potential to use and the performance of type-2 fuzzy logic. Specifically, several type-2 fuzzy models are created. which are trained on historical stock index data and sentiment scores extracted from text data for the period 2018-2020. The created models are assessed to measure the prediction performance without sentiment and with the integration of investor sentiment. Subsequently, based on the created expert model, the investment strategy is determined, and its profitability is monitored. The prediction performance of fuzzy models is compared with the performance of several comparison models, including SVM, KNN, naive Bayes and others. It has been observed from experiments that fuzzy logic models are able to improve prediction by appropriate setting of membership and uncertainty functions contained in them and are able to compete with classical expert prediction models, which are standardly used in research studies. The created model should serve as a tool to support investment decisions for individual investors.

akciový trh; analýza sentimentu; expertní systém; fuzzy logika; rozhodovací model; sentiment investorů; textová analýza; type-1 fuzzy model; type-2 fuzzy model

stock market; sentiment analysis; expert system; fuzzy logic; decision model; investor sentiment; text analysis; type-1 fuzzy model; type-2 fuzzy model

JANKOVÁ, Z.

4. 11. 2021

VUTIUM

Brno

1

39

39