[论文解读] Twitter mood predicts the stock market

Johan Bollen, Mao, Huina+1 more|arXiv (Cornell University)|Oct 14, 2010

COVID-19 Pandemic Impacts被引用 33

一句话总结

本文提出，从推特微博中提取的公众情绪可预测道琼斯工业平均指数（DJIA）的日间波动。通过对2008年985万条推文使用情感分析工具（OpinionFinder 和 GPOMS），研究发现特定情绪维度——尤其是平静（Calm）和快乐（Happy）——可将DJIA方向预测准确率提升至87.6%，并将平均百分比误差（MAPE）降低6%以上。

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%.

研究动机与目标

• 探究公众集体情绪是否可通过推特内容反映，并预测股市波动。
• 评估特定情绪维度（如平静、快乐和警觉）对道琼斯工业平均指数（DJIA）的预测能力。
• 通过真实事件（如感恩节、美国总统大选）验证情绪时间序列的可靠性。
• 通过整合社交媒体中的公众情绪数据，改进标准股市预测模型。
• 确定某些情绪维度是否比其他维度更具预测性，以及总体情绪是否已足够。

提出的方法

• 使用推特公开API，从2008年2月28日至12月19日期间收集9,853,498条公开推文。
• 应用OpinionFinder从推文文本中提取每日正面与负面情绪的时间序列。
• 使用GPOMS从同一推文语料中生成六维情绪时间序列（平静、警觉、确定、活力、友善、快乐）。
• 通过对比情绪时间序列对已知事件（2008年感恩节与2008年美国总统大选）的响应，进行交叉验证。
• 应用格兰杰因果分析，检验情绪时间序列是否能预测DJIA变动。
• 采用自组织模糊神经网络（SOFNN）模型，利用情绪特征对道琼斯工业平均指数（DJIA）进行建模并提升预测准确率。

实验结果

研究问题

• RQ1 能否从推特信息流中提取的公众情绪预测道琼斯工业平均指数（DJIA）的日间方向变动？
• RQ2 哪些特定情绪维度（如平静、快乐、警觉）对DJIA变动最具预测力？
• RQ3 引入情绪数据是否能显著提升预测准确率，超越标准模型？
• RQ4 情绪时间序列在检测真实世界公共事件（如选举或节假日）方面的稳健性如何？
• RQ5 公众情绪与股市表现之间是否存在因果关系，还是仅存在相关性？

主要发现

• 引入特定情绪维度（尤其是平静与快乐）显著提升了道琼斯工业平均指数（DJIA）方向预测的准确率，达到87.6%。
• 当引入情绪特征后，道琼斯工业平均指数（DJIA）预测的平均百分比误差（MAPE）降低了6%以上。
• GPOMS工具中的平静与快乐维度的预测能力，强于OpinionFinder提供的总体正负向情绪。
• 交叉验证表明，情绪时间序列准确捕捉了公众对重大事件（如感恩节与2008年美国总统大选）的反应。
• 并非所有情绪维度都具有预测能力；例如，OpinionFinder中的一般“快乐”维度并未提升预测表现。
• 格兰杰因果检验提供了统计证据，表明公众情绪（尤其是平静与快乐维度）在时间上先于并可预测道琼斯工业平均指数（DJIA）的变动。