Nicel araştırma · 2022
A sentiment analysis approach to the prediction of market volatility
Okur sorusu
Yazarlar, haber başlıklarından elde edilen duyguların aynı günkü hisse getirilerini tahmin etmede bir sinyal sunabildiğini, buna karşın ertesi günkü oynaklığı tahmin etmede Twitter verilerindeki pozitif duygu oranının güçlü bir negatif korelasyonla (r = -0. 70) öne çıktığını vurgulamaktadır.
Öne çıkanlar
Finansal modellemede hisse senedi getirilerinin ve oynaklığının tahmini, varlık fiyatlama, portföy optimizasyonu ve risk yönetimi alanlarında temel bir öneme sahiptir. Günümüzde doğal dil işleme (NLP) teknolojilerinin sunduğu imkânlar, haber metinleri ve sosyal medya yorumlarının otomatik olarak analiz edilerek yatırımcı eğilimlerinin ve güven göstergelerinin saptanmasına olanak tanımaktadır. Bu doğrultuda çalışma, finansal haber başlıkları, tam haber metinleri ve Twitter paylaşımlarından çıkarılan duygu skorlarının FTSE100 endeks hareketleri üzerindeki etkisini inceleyerek finansal metin madenciliği alanındaki güncel tartışmalara katkı sunmayı hedeflemektedir.
Araştırma kapsamında 2019 yılına ait 969.753 RavenPack haber başlığı, Reuters Eikon API aracılığıyla toplanan yaklaşık 12.000 haber metni ve FTSE100 şirketlerine ilişkin cashtag içeren 545.979 Twitter paylaşımı veri seti olarak kullanılmıştır. Duygu analizi aşamasında kural ve sözlük tabanlı VADER algoritması uygulanarak pozitif, negatif ve nötr duygu skorları hesaplanmış, ardından Pearson korelasyon analizi ve Granger nedensellik testleri yürütülmüştür. Ayrıca metin içeriğindeki gizil temaları belirlemek amacıyla Gizli Dirichlet Tahsisi (LDA) ile 15 boyutlu öznitelik vektörleri oluşturulmuş ve Lojistik Regresyon sınıflandırıcısı ile ertesi günkü piyasa oynaklığının yönelimi (artış veya azalış) tahmin edilmiştir.
Elde edilen ampirik bulgular, aynı gün içinde haber başlıklarından elde edilen negatif duygu ile FTSE100 kapanış fiyatları arasında istatistiksel olarak anlamlı negatif bir korelasyon (r = -0,45, p < 0,05) bulunduğunu, ancak ertesi günkü getirileri tahminde bu ilişkinin zayıfladığını göstermektedir. Diğer taraftan, Twitter veri setinde pozitif duygu ile ertesi günkü piyasa oynaklığı arasında -0,70 gibi son derece güçlü ve istatistiksel olarak anlamlı (p < 0,05) negatif bir korelasyon tespit edilmiştir; bu durum sosyal medyadaki olumlu havanın piyasada daha sakin ve düşük oynaklıklı bir seyir yarattığına işaret etmektedir. Gizli Dirichlet Tahsisi ile desteklenen Lojistik Regresyon modeli ise haber başlıkları veri setinde ertesi günkü oynaklık yönünü %65 doğruluk oranıyla doğru tahmin etmeyi başarmıştır.
Çalışmanın tartışma ve sonuç bölümleri, Twitter gibi mikroblog platformlarının anlık haber ve olaylara hızlı tepki vermesi nedeniyle oynaklık tahmininde geleneksel haber metinlerine kıyasla daha yüksek bir duyarlılık sergilediğini ortaya koymaktadır. Buna karşılık haber metinlerinin editöryal süreçlerden geçmesi zaman aldığından piyasanın dedikodu aşamasında hareket edip haber aşamasında tepkiyi tamamladığı anlaşılmaktadır. Granger nedensellik testlerinde doğrudan nedensellik ilişkisinin sınırlı kalmasına rağmen, konu modellemesi ve duygu analizinin bir arada kullanılmasının finansal oynaklık tahmininde açıklayıcı gücü artırdığı kanıtlanmıştır. Bu ampirik kanıtlar, Türk araştırmacıların finansal metin analizi, algoritmik ticaret stratejileri ve risk yönetimi tezlerinde yapay zeka modellerini yapılandırmaları için somut bir metodolojik zemin sunmaktadır.
Çalışma, Davranışsal Finans Teorisi ve Etkin Piyasa Hipotezi tartışmalarına dayanmaktadır. Piyasa aktörlerinin haber akışına ve sosyal medyadaki bilgiye verdikleri tepkilerin fiyatlama ile oynaklık üzerindeki etkileri, Metin Madenciliği ve Doğal Dil İşleme (NLP) çerçevesinde VADER duygu analizi sözlüğü ve Gizli Dirichlet Tahsisi (LDA) konu modelleme yaklaşımıyla ampirik olarak modellenmiştir.
İnceleme, medyadaki kötümserliğin hisse fiyatları üzerindeki baskısını gösteren Tetlock (2007), 10-K raporlarındaki finansal duygu sözlüğünü geliştiren Loughran ve McDonald (2011), Twitter ruh halinin Dow Jones endeksini tahmin etmedeki rolünü araştıran Bollen vd. (2011) ve LDA tabanlı konu modellemesiyle oynaklık tahmini gerçekleştiren Atkins vd. (2018) çalışmalarının oluşturduğu finansal metin madenciliği literatürünü temel almaktadır.
Bu çalışmanın temel amacı, finansal haber başlıkları, tam haber metinleri ve Twitter cashtag paylaşımlarından elde edilen duygu skorları ile FTSE100 endeksinin getiri ve oynaklık hareketleri arasındaki ilişkiyi incelemek, Granger nedenselliğini sınamak ve Gizli Dirichlet Tahsisi (LDA) konu modellemesi yardımıyla piyasa oynaklığının yönsel değişimini tahmin etmektir (Deveikyte et al., 2022).
Bu çalışma, finansal haber başlıkları, tam metin haberler ve Twitter cashtag paylaşımlarından elde edilen duygu skorları ile FTSE100 endeksinin getiri ve oynaklık hareketleri arasındaki ilişkiyi ampirik yöntemlerle inceleyen nicel bir araştırmadır (Deveikyte et al., 2022).
Haber başlıklarından elde edilen negatif duygu skorları ile aynı günkü FTSE100 endeks getirileri arasında istatistiksel olarak anlamlı ve negatif yönlü bir korelasyon (r = -0 45, p < 0. 05) saptanmıştır. (Deveikyte et al., 2022).
Twitter paylaşımlarından elde edilen pozitif duygu düzeyi ile ertesi günkü piyasa oynaklığı arasında güçlü ve istatistiksel olarak anlamlı bir negatif korelasyon (r = -0 70, p < 0. 05) tespit edilmiştir. (Deveikyte et al., 2022).
Granger nedensellik analizi sonuçlarına göre finansal haber veya sosyal medya kaynaklı duygu skorlarının FTSE100 endeks fiyatları veya oynaklık değişimleri üzerinde istatistiksel olarak anlamlı bir nedensel etkisi bulunmamaktadır (Deveikyte et al., 2022).
Haber başlıklarına uygulanan Gizli Dirichlet Tahsisi konu modellemesi ve lojistik regresyon sınıflandırıcısı, ertesi günkü piyasa oynaklığının yönsel değişimini %65 doğruluk oranıyla tahmin etmeyi başarmıştır (Deveikyte et al., 2022).
Analiz sonuçları, haber başlıklarındaki negatif duygu yoğunluğu ile aynı günkü FTSE100 getirileri arasında negatif korelasyon olduğunu, Twitter paylaşımlarındaki pozitif duygusal tonun ise ertesi günkü piyasa oynaklığı ile güçlü bir negatif ilişki taşıdığını göstermektedir. Bu durum pozitif sosyal medya haber akışının piyasa belirsizliğini yatıştırdığına işaret etmektedir.
Yazarlar, Twitter verilerinin haber metinlerine kıyasla anlık olaylara daha hızlı yanıt vermesi ve piyasadaki söylenti-haber dinamiğini yansıtması nedeniyle oynaklıkla daha yüksek korelasyon sergilediğini açıklamaktadır. Haber makalelerinin editoryal süreçlerden geçerek yayınlanmasının zaman alması, onların anlık oynaklık üzerindeki doğrudan etkisini zayıflatmaktadır.
Tartışma bölümünde elde edilen sonuçlar literatürle karşılaştırılmış; Atkins ve arkadaşlarının haber metinlerinden LDA ile ulaştığı %56'lık oynaklık yönü tahmin başarısı, bu çalışmada haber başlıkları ve sınıflandırma modeli entegrasyonu sayesinde %65 doğruluk oranına yükseltilmiştir. Bu bulgu metin madenciliğinin risk parametrelerini öngörmedeki katkısını doğrulamaktadır.
Çalışmanın kapsamı ve sınırlılıkları bağlamında, Granger nedensellik testlerinin duygu skorlarından piyasa hareketlerine doğru doğrudan bir nedensellik kanıtlayamamış olması vurgulanmakta ve gelecekte daha uzun zaman serileri ile duygu boyutlandırma sistemlerinin bir arada kullanılması önerilmektedir.
Atkins ve arkadaşları (2018) haber makalelerinden LDA konu modellemesi kullanarak piyasa oynaklığı yönünü tahmin etmede %56 doğruluk elde etmişken, bu çalışmada haber başlıkları üzerinden oluşturulan LDA öznitelik vektörleri ve lojistik regresyon sınıflandırıcısı ile yönsel oynaklık tahmini doğruluk oranı %65 seviyesine çıkarılmıştır (Deveikyte et al., 2022).
Mahajan ve arkadaşları (2008) finansal haberlerden LDA ile çıkarılan konuları kullanarak piyasa yönünü tahmin etmede %60 doğruluk elde etmişken, mevcut çalışmanın haber başlıkları ve haber metinleri üzerinde geliştirdiği sınıflandırma modelleri sırasıyla %65 ve %67 başarı oranları sergileyerek literatürdeki tahmin yeteneğini desteklemiş ve geliştirmiştir (Deveikyte et al., 2022).
Bu çalışma, finansal haber başlıkları, haber metinleri ve Twitter paylaşımları gibi farklı metinsel veri kaynaklarının hisse senedi getirileri ve piyasa oynaklığı üzerindeki tahmin gücünü karşılaştırmalı olarak inceleyen ampirik bir araştırmadır. Alan literatüründe haberlerin ve sosyal medya duyarlılığının piyasa fiyatlarına etkisi sıklıkla araştırılmasına rağmen, oynaklık üzerindeki etkisi daha az incelenmiştir. Araştırma, Gizli Dirichlet Tahsisi (LDA) tabanlı konu modellemesi ve makine öğrenmesi sınıflandırıcılarını birleştirerek haber başlıklarından elde edilen konu vektörlerinin ertesi günkü oynaklık yönünü %65 doğrulukla tahmin edebildiğini göstermekte ve metin madenciliğinin finansal risk yönetimindeki işlevini pekiştirmektedir.
Çalışma, Tetlock (2007) ve Bollen ve diğerleri (2011) gibi medyadaki duygu durumunun piyasalar üzerindeki etkisini inceleyen öncü araştırmaların üzerine inşa edilmiştir. Atkins ve diğerlerinin (2018) haber makalelerinden LDA yöntemiyle piyasa oynaklığını %56 doğrulukla tahmin eden metodolojisi temel alınmış, bu yaklaşım haber başlıkları ve cashtag içeren Twitter verilerine uyarlanarak geliştirilmiştir. Yapılan katkıyla haber başlıklarından elde edilen konu modelleri lojistik regresyon ile eğitilerek yönsel oynaklık tahmini doğruluğu %65 seviyesine çıkarılmış; ayrıca Twitter verisindeki pozitif duygu ile ertesi günkü oynaklık arasında güçlü bir negatif korelasyon (r = -0.70) bulunduğu tespit edilmiştir.
Literatür taraması açısından bu yayın, farklı metinsel veri türlerinin (anlık mikrobloglar, haber başlıkları ve uzun haber metinleri) tepki süreleri ve tahmin kapasiteleri arasındaki farkları açıkça ortaya koymaktadır. Anlık Twitter paylaşımlarının piyasa oynaklığıyla, editoryal süreçten geçen haber başlıklarının ise aynı günkü getirilerle daha ilişkili olduğunu kanıtlayarak veri kaynağı seçiminin araştırmalardaki önemini göstermektedir. Ayrıca Granger nedensellik testlerinin duygu skorlarından piyasalara doğru doğrudan bir nedensellik doğrulamadığını raporlayarak, doğrusal olmayan makine öğrenmesi ve konu modelleme tekniklerinin kullanım gerekliliğini vurgulayan dengeli bir akademik perspektif sunmaktadır.
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki araştırma taslaklarına dönüştürülmüştür.
Tez çalışmasında haber akışının piyasa fiyatları üzerindeki anlık baskısını ve yatırımcı algısındaki olumsuzlaşmanın getirileri düşürücü etkisini teorik olarak desteklemek için kullanılır (Deveikyte et al., 2022).
Makaleyle bağlantısı: Makalede Twitter cashtag duygu skorlarının FTSE100 oynaklığı ile güçlü negatif korelasyon (r = -0.70) göstermesi ve LDA konusunun oynaklık yönünü %65 doğrulukla tahmin etmesi bulgusundan türetilmiştir (Deveikyte et al., 2022).
Doğal dil işleme ve konu modelleme tekniklerinin finansal risk tahmin modellerine öznitelik vektörü olarak nasıl entegre edileceğini metodolojik açıdan gerekçelendirmek için yararlanılır (Deveikyte et al., 2022).
Makaleyle bağlantısı: Makalede haber başlıklarından elde edilen konuların haber metinlerine kıyasla daha yüksek tahmin başarımı sunduğu ve LDA öznitelik vektörleriyle %65 doğruluk elde edildiği yönündeki yöntemsel sonuça dayanmaktadır (Deveikyte et al., 2022).
Sosyal medya duygu göstergelerinin belirsizliği yatıştırıcı rolünü ve piyasa oynaklığı üzerindeki sakinleştirici etkisini tartışma bölümünde bulgularla karşılaştırmak amacıyla kullanılır (Deveikyte et al., 2022).
Makaleyle bağlantısı: Makalede doğrusal Granger nedensellik testinin duygu skorlarından piyasa hareketlerine doğru anlamlı bir nedensellik tespit edemediği, buna karşın LDA tabanlı sınıflandırma modellerinin başarılı olduğu yönündeki ampirik bulgudan türetilmiştir (Deveikyte et al., 2022).
Ekşi Sözlük platformunda yapılan duygu analizi sonuçunda kullanıcıların %52'sinin uzaktan eğitim ve KAÇD konularında olumlu tutuma sahip olduğu belirlenmiştir.
O. F. Derindag ve B. Cizmeci · The Education and science journal · Sosyal Bilimler
Uygulanan tüm makine öğrenmesi algoritmaları mahalle tahmininde %84'ün üzerinde doğruluk ve F-ölçütü performansı sergilemiştir.
Ali Can ÜZÜMCÜ ve Nazmiye Eligüzel · Bitlis Eren Üniversitesi Fen Bilimleri Dergisi · Sosyal Bilimler
Paydaşlar çok modlu veri entegrasyonu ve geliştirilmiş risk stratifikasyonu imkânı nedeniyle AI-POD araçlarına ihtiyatlı bir iyimserlik ve koşullu güvenle yaklaşmış, yapay zekânın uzmanlığın yerini almayıp tamamlayıcı rol oynaması gerektiğini vurgulamıştır.
Kaatje Goossens ve 3 yazar · Sosyal Bilimler