Sentiment-driven LSTM forecasting: leveraging FinBERT, news, and Kalshi market data for S&P 500 price prediction

Abstract

Amidst growing usage of Machine Learning (ML) models for predictive analysis, this thesis employed a sentiment driven LSTM forecast on the S&P 500 stock price. The LSTM networks were augmented with news articles sentiment encoded with FinBERT, historical stock price data and prediction market forecast from Kalshi to improve forecasting accuracy. The models relied on different sentiment features, such as net daily sentiment and mean negative, neutral and positive sentiment score. Additionally different model architectures were employed, achieving an MAE of 57.04 (0.981% error). This aligns with novel research results where LSTM models outperform traditional methods like ARIMA and GARCH.En medio del creciente uso de modelos de aprendizaje automático (ML) para el análisis predictivo, esta tesis empleó un pronóstico LSTM basado en el sentimiento sobre el precio de las acciones del S&P 500. Las redes LSTM se ampliaron con artículos de noticias codificados con FinBERT, datos históricos de precios de acciones y pronósticos de mercado de predicción de Kalshi para mejorar la precisión de los pronósticos. Los modelos se basaron en diferentes características de sentimiento, como el sentimiento neto diario y la puntuación media de sentimiento negativo, neutral y positivo. Además, se emplearon diferentes arquitecturas de modelos, logrando un MAE de 57,04 (0,981% de error). Esto se alinea con resultados de investigaciones novedosos en los que los modelos LSTM superan a los métodos tradicionales como ARIMA y GARCH.