Prevedere i movimenti del mercato azionario sulla base di articoli di giornale utilizzando i GAN

Abstract

Questo studio si concentra sullo sfruttamento dell'analisi del sentiment dei tweet sui titoli azionari e sull'impiego di un modello di rete generativa avversaria (GAN) per prevedere l'andamento dei prezzi azionari. L'analisi inizia sfruttando il sentiment sui social media, in particolare i tweet sui titoli quotati. Questo nuovo approccio consente di cogliere il sentiment collettivo di investitori e trader in tempo reale, fornendo utili indicazioni sulle dinamiche del sentiment di mercato. Oltre all'analisi del sentiment, lo studio esamina l'applicazione di tecniche di machine learning per prevedere dei prezzi delle azioni. Implementando un modello GAN, miriamo a prevedere i futuri movimenti dei prezzi delle azioni sulla base di dati storici e dei risultati dell'analisi del sentiment. Questo approccio consente di esplorare la complessa interazione tra il sentiment sui social media e l'andamento del mercato, offrendo nuove possibilità di predizione dei mercati finanziari. Inoltre, questa ricerca va oltre la tradizionale analisi di serie temporali, integrando informazioni sul sentiment e dati dei prezzi azionari. Questo approccio fornisce una piena comprensione delle dinamiche di mercato e offre potenziali applicazioni nel risk management, per creare strategie di trading e nelle previsioni di mercato. Inoltre, usiamo il concetto di “reintroduzione”, in cui i dati storici e le previsioni generate vengono reintrodotti iterativamente nel modello per migliorarne la performance. In questo modo la metodologia si adatta all'evoluzione del mercato e migliora le previsioni nel tempo. Questo studio concorre alla crescente ricerca che interseca finanza, intelligenza artificiale e natural language processing. Impiegando metodologie innovative, ci proponiamo di far progredire il campo della finanza computazionale e di fornire agli operatori di mercato informazioni utili derivanti dall'analisi del sentiment dei social media e dai modelli previsionali di machine learning.

Our study focuses on leveraging sentiment analysis of stock-related tweets and employing a generative adversarial network (GAN) model to predict stock price movements. The analysis begins by using the power of social media sentiment, particularly tweets related to stocks listed on the market. This novel approach allows to capture the collective sentiment of investors and traders in real-time, providing valuable insights into market sentiment dynamics. In addition to sentiment analysis, our study delves into the application of machine learning techniques for stock price prediction. By implementing a GAN model, we aim to forecast future stock price movements based on historical data and sentiment analysis results. This innovative approach enables to explore the complex interplay between social media sentiment and market behavior, offering new avenues for predictive analytics in financial markets. Furthermore, our research extends beyond traditional time series analysis by integrating sentiment-derived features with stock price data. This holistic approach provides a full understanding of market dynamics and offers potential applications in risk management, trading strategy development, and market forecasting. Moreover, we introduce the concept of re-introduction, where in historical data or previously generated predictions are reintroduced into the model to enhance forecasting accuracy. By iteratively incorporating real-time sentiment analysis results and historical data through re-introduction, our methodology adapts to evolving market conditions and improves prediction performance over time. Overall, our study contributes to the growing body of research intersecting finance, artificial intelligence, and natural language processing. By leveraging innovative methodologies, we aim to advance the field of computational finance and empower market participants with actionable insights derived from social media sentiment analysis and machine learning prediction models.