Please use this identifier to cite or link to this item:
Title: Πρόβλεψη οικονομικών και χρηματοοικονομικών σειρών με χρήση ανάλυσης συναισθήματος σε κοινωνικά δίκτυα : περίπτωση μελέτης στο Twitter
Other Titles: Stock prediction using sentiment analysis techniques on social media : field of study, Twitter
Authors: Μυλωνόπουλος, Αθανάσιος
Keywords: Πρόβλεψη μετοχών
Keywords (translated): Twitter
Stock prediction
Abstract: Ο στόχος αυτής της διπλωματικής εργασίας είναι η ταξινόμηση μικρών μηνυμάτων από το Twitter με κριτήριο το συναίσθημα που εκπέμπουν και η σύγκριση του όγκου και της πολικότητάς τους με την αντίστοιχη κίνηση χρηματοοικονομικών μεγεθών με στόχο την πρόβλεψη. Η ποικιλομορφία των χαρακτήρων που χρησιμοποιούνται στα tweets καθώς και ο τρόπος χρήσης της αγγλικής γλώσσας (ειρωνία, «αργκώ»..) καθιστούν την ταξινόμηση των μηνυμάτων πολύπλοκη και δύσκολη διαδικασία. Για την αποδοτική ταξινόμηση κειμένου με βάση το συναίσθημα χρησιμοποιήθηκαν διάφορα API, αλγόριθμοι, test sets, καθώς και ένα website που κάνει πιο φιλική και εύκολη την διαδικασία για ένα μέσο χρήστη. Οι αλγόριθμοι που χρησιμοποιήθηκαν εξετάστηκαν ως προς το ποσοστό επιτυχούς πρόβλεψης τους με στόχο να προσεγγίσουν την ανθρώπινη κρίση. Τελικός στόχος ήταν ο εντοπισμός του δημοσίου συναισθήματος όπως αυτό εξήχθη από τα tweets και η πιθανή συσχέτιση του με οικονομικά και χρηματιστηριακά μεγέθη.
Abstract (translated): The aim of this work is to classify short messages from Twitter based on the emotion they emit and compare their volume and polarity with the related stock movements in order to find a pattern. The variety of characters used in tweets as well as the use of English language (irony, slang) make the catego-rization of the messages a complicated process. To improve the efficiency of classification different APIs and several test sets were used and finally a website was created which made the entire process user-friendly. The algorithms used, were tested for their prediction accuracy to approach the human opinion about companies. The goal was to locate public emotion as it was extracted from tweets and its possible correlation with fi-nancial and stock sizes.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Mylonopoulos Thesis.pdf1.93 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.