機械学習を使用して株式市場の動向を予測するために Twitter の感情を利用する

トルコのグムシャネ大学の経営情報システム学科のハンダン・カム氏、医療管理学科のアルパー・ヴェリ・カム氏、イルファン・ジャン・コセ専門学校のウグル・デミレル氏、大学ヘンリー・ビジネス・スクールのサナ・アーメド氏による包括的な研究。英国のレディング博士は、株式市場の動向を予測するためのセンチメント分析の応用を研究しています。この研究は、既存の研究が限られている分野であるトルコ語での金融関連のツイートに焦点を当てています。研究者らは、ボルサ・イスタンブール（BIST30）株価指数に関連して、2022年11月7日から11月15日までに投稿された17,189件のツイートを収集した。ツイートは#Borsaistanbul、#Bist、#Bist30、#Bist100などのハッシュタグを使用して収集され、株式市場動向の指標として国民感情を分析することが目的だった。この研究では、語彙ベースの手法と機械学習分類器を組み合わせたハイブリッド感情分析モデルを採用し、ツイートを肯定的、中立的、否定的な感情に分類しています。この組み合わせにより、研究者らは株式市場の動向を予測する際のセンチメント分析の有効性を調査することができました。このトピックは、トルコの金融の文脈では深く調査されていませんでした。

レキシコンベースの機械学習分類器の利用

研究者らは、定性データ分析ソフトウェアである MAXQDA 2020 を使用してツイートをインポートし、オープンソースの機械学習およびデータ マイニング ツールである Orange を使用してツイートのセンチメントにラベルを付けました。 Orange の多言語センチメント分析ツールは、トルコ語でセンチメント スコアを提供するため、この調査のプロセスを効率的にすることができ、特に価値がありました。前処理ステップの後、語彙ベースの方法によりツイートがポジティブ、ニュートラル、またはネガティブな感情に分類されました。機械学習によるさらなる分析のために中立的なツイートを除いて、合計 9,076 件のツイートがポジティブまたはネガティブのいずれかとしてラベル付けされました。次のステップでは、6 つの異なる機械学習分類器を適用して感情分析を実行します。これらの分類器には、単純ベイズ、ロジスティック回帰、サポート ベクター マシン (SVM)、K 最近傍、デシジョン ツリー、および多層パーセプトロン (MLP) が含まれており、すべて Python の sklearn ライブラリを使用して実装されています。データセットは 80-20 ルールを使用して分割され、データの 80% がトレーニングに使用され、20% がテストと検証に使用されました。機械学習モデルは、残りのツイートの感情を予測するためにこのデータセットでトレーニングされました。

サポート ベクター マシンと MLP が優れたパフォーマンスを示す

結果は、サポート ベクター マシンと多層パーセプトロン分類器が最高のパフォーマンスを示し、精度率がそれぞれ 0.89 と 0.88、AUC 値が 0.8729 と 0.8647 であることを示しました。これらのモデルは、平均精度約 78.5% を達成した他の分類器を大幅に上回りました。 SVM モデルと MLP モデルは、株式市場の動向に応じた世論のムードを理解する上で重要なセンチメントの予測精度が高いことを実証しました。この調査では、ツイートの 34.81% がポジティブ、47.20% が中立、17.99% がネガティブに分類されたことがわかりました。これは、データでは中立的な意見が大半を占めていたものの、調査期間中の株式市場に対する国民感情が概して肯定的であったことを示しています。データ収集と分析のプロセスでは、特定の企業の株式に関するいくつかの興味深い洞察も明らかになりました。たとえば、ササ ポリエステル サナイ AS (SASA)、ヘクタス ティカレ AS (HEKTS)、およびエレーグリ デミル ヴェ セリク ファブリカラリ TAS (EREGL) に関するツイートが特に広まりました。これらの企業ではより多くのツイートが見られ、株価はツイートに表現された全体的な世論を反映していました。たとえば、SASA については 10,000 件を超えるツイートで言及されており、分析では世間の注目が株価の安定性や変動性と相関していることが示唆されました。

社会感情から株式市場の行動を予測する

この論文の主な貢献の 1 つは、株式市場の動向を予測するセンチメント分析の可能性を探求したことです。この調査結果は、特定の銘柄に対する肯定的なセンチメントを表現するツイートは価格上昇の指標となる可能性がある一方、否定的なセンチメントは下落を予測する可能性があることを示唆しています。ただし研究者らは、世界市場の動向や経済政策などの外部要因が株価に影響を与える可能性があるため、この関係は複雑であるとも警告している。著者らは、機械学習モデルを改良し、データセットを拡張することで感情分析の精度をさらに向上できる可能性があることを認めています。彼らは、感情分析の他の領域でも有望であることが示されている深層学習アプローチを将来の研究で適用できる可能性があることを示唆しています。さらに、ツイートからのマルチメディア コンテンツや追加のソーシャル メディア プラットフォームからの情報など、他の種類のデータを統合すると、国民の感情をより総合的に把握できる可能性があります。

限界と複雑な市場動向を理解する

有望な結果にもかかわらず、著者らはこの研究のいくつかの限界を指摘しています。たとえば、この調査で使用されたデータセットは特定の時間枠に限定されており、トルコ語のツイートのみが含まれていました。これにより、その期間中に株式市場に影響を与えた可能性のある他の関連データが除外された可能性があります。さらに、この調査はツイートのセンチメントと株価の関係に焦点を当てていますが、株価パフォーマンスに影響を与える可能性がある決算報告や製品発売などの企業固有のイベントは考慮されていません。研究者らは、将来の研究では、さまざまな時期のデータを含め、より多様な情報源を組み込むことで、これらの制限に対処できる可能性があると示唆しています。全体として、この論文は金融の文脈におけるセンチメント分析の使用に関する貴重な洞察に貢献し、この分野における将来の研究の可能性を強調しています。

金融におけるセンチメント分析の今後の方向性

この論文は、センチメント分析は、特に金融ツイートに適用すると、株式市場の動向に関する世論について有意義な洞察を提供できると結論付けています。金融センチメントのニュアンスをより正確に捉えるために、より深い機械学習と自然言語処理方法を探求する将来の研究が求められています。研究者らは、データセットを拡張し、他のソーシャル メディア プラットフォームを組み込むことで、予測の精度と関連性が高まる可能性があると考えています。また、感情分析をさらに改善するために、ツイート内の画像やリンクなどのマルチモーダル データを使用することも推奨しています。これらの分野に取り組むことで、ソーシャルメディア上の世論が株式市場の行動にどのような影響を与えるかをより包括的に理解できるようになり、より正確で信頼性の高い財務予測モデルの基礎が築かれる可能性がある。