Applicability of online sentiment analysis for stock market prediction

Abstract

Cílem této práce je prozkoumat různé možnosti analýzy sentimentu a využití informací díky ní získané při predikci na burze. Nejprve je připraveno několik nástrojů a zdrojů pro analýzu sentimentu a je popsána krátká historie výzkumu spjaté s každým tímto nástrojem. Poté je sestaven model Google Trends a pomocí něho vyhodnocena možnost predikování budoucího vývoje S&P 500 indexu na základě informací o množství vyhledávání vybraných slov. Na základě tohoto modelu je vytvořena strategie, která je testována na historických datech a její úspěšnost je porovnána s klasickou buy and hold strategií. Dále je testována hypotéza, jestli je možné využít veřejně dostupné zprávy jako vedoucí indikátor pro budoucí pohyby ceny akcií. Nakonec je popsán proces algoritmizace analýzy sentimentu a jsou zhodnoceny jeho silné a slabé stránky.

The purpose of this thesis is to explore various possibilities of performing online sentiment analysis and utilizing obtained information in stock market prediction. Firstly, several tools and sources available for sentiment analysis are presented and brief history of research related to each tool is provided. Additionally, Google Trend model is designed to evaluate whether information about searching volume of selected terms can be used to predict future movements of S&P 500 index. Strategy based on such model is implemented on historical data and its cumulative return is compared to classical buy and hold strategy. Furthermore, hypothesis whether it is possible to utilize publicly released news as a leading indicator for future stock returns is tested. Lastly, process of algorithmic sentiment analysis is described and its strengths and weaknesses are assessed.