Investigation of sentiment importance on intraday stock returns

Costa, Michele; Marschall, Laurits; Mirsadeghi, Seyed Hamed; Sanctis, Alessandro de

Investigation of sentiment importance on intraday stock returns

License

Citation

Costa, M, Marschall, L, Mirsadeghi, S, Sanctis, A. Investigation of sentiment importance on intraday stock returns. 2018. handle: http://hdl.handle.net/10230/35844

This citation was generated automatically.

Abstract

The main goal of our Master Project is to predict intraday stock market movements using two different kinds of input features: financial indicators and sentiments from news and tweets. While the former are part of the common technical analysis of financial econometric models, the extracted sentiment of news articles and tweets from Twitters are also proven to correlate with stock markets movements. Our paper aims at contributing to the existing academic and professional knowledge in two main directions. First, we evaluate three different approaches to extract the sentiment from both social and mass media based on its forecasting power. Second, we deploy a battery of engineered features based on the sentiment, together with the financial indicators, in a machine learning model for a fine-grained minute-level forecasting exercise. In the end, two different classes of models are fitted to test the forecasting power of the combined input features. We estimated a classical ARIMA-model, and an XGBoost-model as machine learning algorithm. We collected data on the companies Apple, JPMorgan Chase, Exxon Mobil, and Boeing.
L’objectiu principal del nostre Projecte de Màster és predir els moviments intradia del mercat de valors utilitzant dos tipus diferents de característiques d’entrada: indicadors financers i sentiments de notícies i piulades. Mentre els primers són part de l’anàlisi tècnica comú dels models economètrics financers, els sentiments extrets d’articles de notícies i piulades de twittaires també tenen una correlació demostrada amb els moviments del mercat de valors. El nostre article vol contribuir al coneixement acadèmic i professional en dues direccions principals. En primer lloc, avaluem tres aproximacions diferents per extreure els sentiments de les xarxes socials i els mitjans de masses basant-se en els seus poders de predicció. En segon lloc, despleguem una bateria de característiques d’enginyeria basades en el sentiment, juntament amb indicadors financers, en un model d’aprenentatge automàtic per a un exercici de predicció desgranat al minut. Finalment, es fan dues classes diferents de models per testejar el poder de predicció de les característiques d’entrada combinades. Hem estimat un model ARIMA clàssic i un model XGBoost com a algoritme d’aprenentatge automàtic. Hem recavat dades de les companyies Apple, JPMorgan Chase, Exxon Mobil i Boeing.