Mοντέλο αξιολόγησης επενδύσεων με χρήση sentiment analysis και στατιστικών μεθόδων

Abstract

Η παρούσα διπλωματική εργασία εξετάζει τη χρήση ανάλυσης συναισθήματος (sentiment analysis) και στατιστικών μεθόδων για την αξιολόγηση επενδύσεων. Σκοπός της είναι η ανάπτυξη ενός μοντέλου που θα μπορεί να αξιοποιεί τόσο χρηματοοικονομικά δεδομένα όσο και δεδομένα συναισθήματος από τα μέσα κοινωνικής δικτύωσης, προκειμένου να παρέχει πιο ακριβείς προβλέψεις για τη λήψη επενδυτικών αποφάσεων. Αρχικά, αναλύεται το χρηματοοικονομικό περιβάλλον, η λειτουργία του χρηματιστηρίου και οι βασικές έννοιες κινδύνου που επηρεάζουν τις επενδύσεις. Έμφαση δίνεται στις χρονοσειρές και στις μεθόδους ανάλυσής τους, όπως τα αυτοπαλινδρομικά μοντέλα (AR, MA, ARMA) και το μοντέλο ARIMA, που χρησιμοποιούνται για την πρόβλεψη των τιμών των μετοχών. Στη συνέχεια, γίνεται ανάλυση της μετοχής της Tesla (TSLA), όπου εφαρμόζονται διάφορες τεχνικές επεξεργασίας δεδομένων, όπως διαφοροποίηση (differencing) για τη στασιμότητα της χρονοσειράς και έλεγχοι όπως το Dickey-Fuller Test. Δοκιμάζονται διαφορετικά μοντέλα πρόβλεψης, όπως το ARIMA και αλγόριθμοι μηχανικής μάθησης (Random Forest, LightGBM). Ένα σημαντικό μέρος της εργασίας αφιερώνεται στην ανάλυση συναισθήματος των χρηστών του Twitter σχετικά με τη μετοχή της Tesla. Χρησιμοποιείται το εργαλείο VADER για την κατηγοριοποίηση των tweets σε θετικά, αρνητικά ή ουδέτερα και ο μέσος όρος συναισθήματος ενσωματώνεται ως μεταβλητή στα μοντέλα πρόβλεψης. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός οικονομικών δεδομένων και ανάλυσης συναισθήματος βελτιώνει την πρόβλεψη της μετοχής TSLA. Το καλύτερο αποτέλεσμα επιτυγχάνεται με τη χρήση μοντέλων μηχανικής μάθησης, τα οποία έχουν χαμηλότερο σφάλμα (RMSE). Συμπεραίνεται ότι η αξιοποίηση των συναισθημάτων των επενδυτών σε συνδυασμό με χρηματοοικονομικά δεδομένα μπορεί να βελτιώσει τη λήψη επενδυτικών αποφάσεων.