[논문 리뷰] Twitter mood predicts the stock market

Johan Bollen, Mao, Huina외 1명|arXiv (Cornell University)|2010. 10. 14.

COVID-19 Pandemic Impacts인용 수 33

한 줄 요약

이 논문은 2008년의 985만 개의 트위터 미โคร블로그에서 유도된 공공의 분위기가 다우琼斯 산업평균지수(DJIA)의 일일 변동을 예측할 수 있다는 것을 제안한다. 감성 분석 도구(OpinionFinder 및 GPOMS)를 사용하여 분석한 결과, 특히 '평온함'과 '행복함'과 같은 특정 분위기 차원이 DJIA 방향 예측 정확도를 87.6%로 향상시키고 평균 백분율 오차를 6% 이상 감소시켰다.

ABSTRACT

Behavioral economics tells us that emotions can profoundly affect individual behavior and decision-making. Does this also apply to societies at large, i.e., can societies experience mood states that affect their collective decision making? By extension is the public mood correlated or even predictive of economic indicators? Here we investigate whether measurements of collective mood states derived from large-scale Twitter feeds are correlated to the value of the Dow Jones Industrial Average (DJIA) over time. We analyze the text content of daily Twitter feeds by two mood tracking tools, namely OpinionFinder that measures positive vs. negative mood and Google-Profile of Mood States (GPOMS) that measures mood in terms of 6 dimensions (Calm, Alert, Sure, Vital, Kind, and Happy). We cross-validate the resulting mood time series by comparing their ability to detect the public's response to the presidential election and Thanksgiving day in 2008. A Granger causality analysis and a Self-Organizing Fuzzy Neural Network are then used to investigate the hypothesis that public mood states, as measured by the OpinionFinder and GPOMS mood time series, are predictive of changes in DJIA closing values. Our results indicate that the accuracy of DJIA predictions can be significantly improved by the inclusion of specific public mood dimensions but not others. We find an accuracy of 87.6% in predicting the daily up and down changes in the closing values of the DJIA and a reduction of the Mean Average Percentage Error by more than 6%.

연구 동기 및 목표

• 트위터 콘텐츠에 반영된 집단적 공공 분위기가 주식시장 변동을 예측할 수 있는지 조사하기.
• 특정 분위기 차원(예: 평온함, 행복함, 경계함)이 DJIA에 미치는 예측 능력을 평가하기.
• 실제 사건(예: 추수감사절, 미국 대선)을 활용해 분위기 시계열의 타당성을 검증하기.
• 소셜미디어에서 유도된 공공 감성 데이터를 통합함으로써 기존 주식시장 예측 모델을 개선하기.
• 일부 분위기 차원이 다른 것들보다 더 예측력이 높은지, 일반 감성만으로도 충분한지 판단하기.

제안 방법

• 2008년 2월 28일부터 12월 19일까지 트위터의 공개 API를 사용해 9,853,498건의 공개 트윗을 수집하였다.
• 트윗 텍스트에서 일일 긍정/부정 감성 시계열을 추출하기 위해 OpinionFinder를 적용하였다.
• 동일한 트윗 코퍼스에서 6차원 분위기 시계열(Calm, Alert, Sure, Vital, Kind, Happy)을 생성하기 위해 GPOMS를 사용하였다.
• 감성 시계열이 추수감사절 2008년과 2008년 미국 대선과 같은 알려진 사건에 대해 어떻게 반응하는지 비교함으로써 교차검증을 실시하였다.
• 분위기 시계열이 DJIA 변화를 예측할 수 있는지 확인하기 위해 그랑저 인과성 분석을 시행하였다.
• 분위기 특징을 활용하여 DJIA 예측 정확도를 모델링하고 향상시키기 위해 자기조직화 퍼지 신경망(SOFNN)을 적용하였다.

실험 결과

연구 질문

• RQ1 트위터 피드에서 유도된 공공 분위기는 DJIA의 일일 방향 변화를 예측할 수 있는가?
• RQ2 특정 분위기 차원(예: 평온함, 행복함, 경계함) 중에서 DJIA 변동에 가장 예측력이 높은 것은 무엇인가?
• RQ3 분위기 데이터를 포함시킬 경우, 표준 모델에 비해 예측 정확도가 유의미하게 향상되는가?
• RQ4 선거나 공휴일과 같은 실제 세계의 사건을 감지하는 데 있어 분위기 시계열의 신뢰성은 어느 정도인가?
• RQ5 공공 분위기와 주식시장 성과 사이에 인과관계가 존재하는가, 아니면 단순 상관관계일 뿐인가?

주요 결과

• 특정 분위기 차원—특히 '평온함'과 '행복함'—을 포함시킴으로써 DJIA 방향 예측 정확도가 87.6%로 유의미하게 향상되었다.
• 분위기 특징을 포함시켰을 때 DJIA 예측의 평균 백분율 오차(MAPE)가 6% 이상 감소하였다.
• GPOMS 도구의 '평온함'과 '행복함' 차원이 OpinionFinder에서 유도된 일반적인 긍정-부정 감성보다 더 강한 예측 능력을 보였다.
• 교차검증 결과, 분위기 시계열이 추수감사절과 2008년 미국 대선과 같은 주요 사건에 대한 공적 반응을 정확히 포착하고 있음을 확인하였다.
• 모든 분위기 차원이 예측력이 있는 것은 아니었으며, 예를 들어 OpinionFinder의 일반적인 '행복함' 차원은 예측 성능 향상에 기여하지 못했다.
• 그랑저 인과성 검정을 통해 공공 분위기, 특히 '평온함'과 '행복함' 차원이 DJIA 변동을 앞서 예측한다는 통계적 증거를 확보하였다.