Využití analýzy medializovaných událostí pro vylepšení predikce vývoje cen akcií

Abstract

Předpovídání cen akcií pomocí mediální analýzy je v posledních desetiletích aktivní oblastí výzkumu. Předchozí studie analyzovaly vliv mediálního sentimentu v každodenním měřítku, byly však omezeny problémem dostupnosti dat. V této práci jsem se rozhodl sestavit dataset o cenách akcií a novinových titulcích, abych mohl studovat vliv zpravodajského sentimentu v mezidenním měřítku, kde se podle předpokladu projevuje nejvýrazněji. Využívám nedávno vzniklou architekturu transformerů, která vykazuje velký potenciál pro úlohy zpracování sekvencí. Navrhovaný model kombinuje model FinBERT pro klasifikaci sentimentu s modelem založeným na Informeru pro predikci časových řad. To usnadňuje analýzu predikčních schopností vytvořených technických indikátorů a příznaků sentimentu v různých predikčních oknech. Ačkoli v krátkodobé predikci nebyl zjištěn žádný významný vliv mediálního sentimentu, což podporuje tvrzení teorie efektivních trhů, ukazuje se, že dlouhodobá predikce má z přidání prvků sentimentu prospěch.

Stock price prediction using media analysis has been an active area of research over the last decades. Previous studies analyze the impact of media sentiment on a day-to-day scale, limited by the problem of data availability. In this thesis, I opt to compile a dataset of stock prices and news headlines to study the effect of news sentiment on an intraday scale, where it is hypothesized to be most pronounced. I employ the recently emerged transformer architecture, showing great potential for sequence processing tasks. The proposed model combines the FinBERT model for sentiment classification with the Informer-based model for time-series prediction. This facilitates the analysis of the predictive capabilities of the produced technical indicators and sentiment features over various prediction windows. Although no significant impact of media sentiment was found in a short-term prediction, supporting the claims of the effective market hypothesis, a long-term prediction is shown to benefit from the addition of sentiment features.