Twitter 情緒分析預測 Netflix 股價變動研究

一、研究動機

• 預測股價波動對投資者、金融分析師來說，是一個複雜的挑戰，因為股市在全球經濟扮演至關重要的角色。金融市場的時間序列經常具有高雜訊及非線性等特徵，因此提高預測準確率是非常具有挑戰性的任務。
• 大多過去研究會透過Yahoo Finance的歷史股市數據，藉由不同的機器學習理論模型來預測股市，但有研究指出，這類型的研究多半帶有不確定性及缺陷。過去幾年，由於社群媒體普及，一些研究將社群媒體的情感數據納入模型中，來預測股市。
• 本研究以 Abdelfattah et al. (2024) 作為 key paper，參考其建模架構，並選擇Netflix為股票標的，利用Twitter上有關Netflix的推文，使用情感分類套件(TextBlob、VADER)進行情感分析和情感分類，判斷文本中是正面、負面還是中性，並結合股市數據，透過機器學習建立預測股票波動模型。

二、研究問題

• 透過不同情感分析模型分類結果，結合機器學習來準確預測股票波動
• RQ1: 比較不同種機器學習模型，有無加入情感數據，模型預測效能是否產生顯著影響
• RQ2: 比較不同種機器學習模型，加入TextBlob跟VADER情感分析後，模型預測效能是否有差異
• 模型實驗設計
  • 股價預測漲跌
  • 股價 + TextBlob預測漲跌
  • 股價 + Vader預測漲跌
• 預期目標
  • 本研究目標是提供一個結合情感分析的預測模型，來更加準確預測股票波動。
  • 評估不同機器學習模型(LSTM、SVM、Random Forset、Prophet)，比較預測模型之間的準確度，提供未來研究建議。

三、研究方法

四、評估模型

• Prophet模型在處理股價資料時的預測準確率相對穩定，尤其在長期趨勢和季節性變化的捕捉上表現良好。當加入情感分析資料（TextBlob或VADER）後，Prophet的準確率變化不大，這可能是因為該模型主要依賴於時間序列資料。
• Random Forest Classifier在處理結構化數據（如單純的股價資料）時，通常能夠提供較高的準確率。當加入情感分析資料時，準確率可能會略有提升，但增益有限。
• 在預測股價變動幅度上，Random Forest Regressor通常能夠提供良好的準確率，特別是在處理非線性和高維度數據時。加入情感分析資料後，準確率的提升取決於情感特徵是否能夠提供額外的有效資訊。

五、結論與建議

1. 模型選擇

• LSTM：加入VADER情感分析資料後，預測準確率提升，顯示對股市漲跌預測有幫助。這表明LSTM在處理時間序列數據時，能有效利用情感分析資料來增強預測能力。
• SVM：加入TextBlob情感分析資料後，線性模型較其他三種模型的預測準確率有顯著提升，顯示對股市漲跌預測有幫助。這顯示了SVM對於情感數據的敏感性，特別是在線性核函數下。
• Random Forest：加入情感分析資料後，預測準確率變化不大，顯示對股市漲跌預測無顯著幫助。這可能是因為隨機森林模型在處理高維度數據時，對情感資料的增益不如其他模型明顯。
• Prophet：加入情感分析資料後，預測準確率變化不大，時間序列模型在本次實驗中相對更能預測出股市趨勢。這表明Prophet在時間序列預測中的穩定性，但對情感資料的敏感度有限。
• 總體而言，加入情感分析數據（特別是VADER和TextBlob）可以在某些情況下提升預測模型的準確率，但不同模型對於情感數據的敏感度有所不同，需根據具體情況選擇合適的模型和數據組合。

2. 模型應用

• 若希望通過情感分析數據提升預測準確率，建議優先考慮使用LSTM和SVM。這兩種模型在結合情感數據後，能夠提供更好的預測性能。
• 若更注重模型穩定性和準確率，RandomForest Regressor和Prophet在單純使用股價數據時表現最佳，適合用於不依賴情感資料的長期趨勢預測。