Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/75921
Tipo: | Dissertação |
Título: | Agregação de índices de análise de sentimentos com conjuntos nebulosos hesitantes para previsão de séries temporais no mercado financeiro |
Autor(es): | Breno Costa Dolabela Dias |
primer Tutor: | Frederico Gadelha Guimarães |
primer Co-tutor: | Petrônio Cândido de Lima e Silva |
primer miembro del tribunal : | Carla Bonato Marcolin |
Segundo miembro del tribunal: | Moisés Henrique Ramos Pereira |
Tercer miembro del tribunal: | Cristiano Leite de Castro |
Resumen: | A análise de sentimentos é uma técnica para automaticamente extrair informações subjetivas de textos, como opiniões e sentimentos. Para ser utilizada em uma previsão do mercado financeiro, as classificações de sentimento de notícias e postagens de mídias sociais devem ser agregadas em um único valor para produzir uma série temporal com a mesma periodicidade dos preços do mercado de ações, por exemplo, diariamente ou por hora. Neste artigo, adotamos valores linguísticos (e seus conjuntos hesitantes correspondentes) para representar preços e sentimentos. Dado o índice de sentimento fuzzificado para cada tweet, fizemos uma agregação baseada em Conjuntos Nebulosos Hesitantes, que visa modelar a incerteza causada pela hesitação que pode surgir na atribuição de graus de pertinência dos elementos em um conjunto nebuloso. Depois de fuzzificar o índice de sentimento e agregá-lo no mesmo período de tempo, produzimos uma série fuzzificada de dados de sentimento, que pode ser usada como informação adicional para modelos de previsão. Nesta dissertação, empregamos como modelo de aprendizado de máquina, a Weighted Multivariate FTS (WMVFTS). Para os experimentos, coletamos tweets postados pela Bloomberg e os preços de fechamento do Standard & Poors 500 Index e Nasdaq Composite Index. A principal característica entregue pelo método proposto é a capacidade de melhorar um método FTS usando informações hesitantes, como as notícias postadas no Twitter. |
Abstract: | Sentiment analysis is an automatic technique to extract subjective information from texts, such as opinions and sentiments. For providing a time series forecasting using sentiment analysis, sentiment classifications of news and social media posts have to be aggregated into a single value to produce a time series with the same periodicity of the stock market prices, for example daily or hourly. In this paper, we adopt fuzzy linguistic values (and corresponding fuzzy sets) to represent prices and sentiments. Given the fuzzified sentiment index of each tweet, we proceed to an aggregation based on hesitant fuzzy sets, which aim to model the uncertainty caused by the hesitation that may arise in the attribution of degrees of membership of the elements to a fuzzy set. Having fuzzified the sentiment index and aggregated them within the same time period, we produce a fuzzified time series of sentiment data, which can be used as additional information for forecasting models. In this work, we employ a multivariate fuzzy time series (FTS) method, namely Weighted Multivariate FTS (WMVFTS), as the machine learning model. For the experiments we collected tweets posted by Bloomberg and the closing prices of Standard & Poor's 500 Index and Nasdaq Composite Index. The main feature delivered by the proposed method is the capability of improving an FTS method by using hesitant information, such as the news posted on Twitter. |
Asunto: | Engenharia elétrica Análise de series temporais Conjuntos difusos Mercado financeiro |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Institución: | UFMG |
Departamento: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
Curso: | Programa de Pós-Graduação em Engenharia Elétrica |
Tipo de acceso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/75921 |
Fecha del documento: | 26-jul-2021 |
Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Dissertacao_breno.pdf | 2.45 MB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.