Заключение. 
Событийный анализ. 
Выбор предсказательной модели

В данной работе было проанализировано влияние индекса настроений в социальной сети Твиттер на динамику курса акций. На первом этапе исследования был проведен событийный анализ в попытке выяснить, возможно ли использовать пики объемов публикаций позитивных и негативных твитов в качестве событий, вокруг которых можно выявить доходность выше нормальной. Ожидаемо, на этом этапе не было получено статистически значимых результатов. На втором этапе была проведена основная запланированная работа: были построены различные предиктивные модели, как включающие различные факторы, отражающие настроения в Твиттере, так и не включающие их.

В рамках работы было выявлено, что для большинства использованных для анализа компаний на имеющихся данных включение индекса полярности настроений в Твиттере с лагом в один день увеличивает точность прогноза на 0.5−2% - в среднем, с учетом всех компаний (и тех, для которых эффект от добавления индекса отрицательный) точность прогноза модели с индексом составила 83.5%, а у модели без индекса 83.1%. Также, был сделан вывод, что наибольшая точность при использовании индекса наблюдается для компаний из IT отрасли и телекоммуникационной отрасли, в то время как для компаний энергетической отрасли использование индекса даже ухудшает прогноз, скорее всего по причине отсутствия вносимых индексом в модель дополнительных «сигналов» и/или, наоборот, по причине добавления в модель «шумов» от индекса. Тем не менее, кажется разумным, что при росте популярности Твиттера как социальной сети среди людей и самих компаний (при активном использовании корпоративных аккаунтов), а также при более обширном использовании индекса на финансовых рынках, индекс начнет нести в себе больше «сигналов» и меньше «шумов», что сделает его более важным фактором для предсказательных моделей.

Таким образом, можно заключить, что в работе были выполнены как объявленная исследовательская цель, так и сопряженные с ней задачи, а именно:

• · Был проведен событийный анализ
• · Были построены различные предиктивные модели
• · Было выявлено, что включение в предиктивную модель индекса настроений в Твиттере действительно улучшает точность прогноза, хотя и не для всех компаний. В среднем по всей выборке компаний прогноз улучшается на 0.4%. Для отдельных компаний (телекоммуникации, IT) прогноз улучшается на ~2%.

Следует также отметить, что в работе для получения более точных прогнозов были использованы современные методы и подходы машинного обучения. Вместе с тем, несмотря на то, что были предприняты попытки обеспечить состоятельность полученных предсказаний, результаты могут быть до определенной степени искажены качеством имеющихся данных, однако, на момент написания работы не имелось практической возможности решения данной проблемы.

В связи с обозначенной выше проблемой существует простор для дальнейших исследований и улучшения методологии, разработанной в работе:

• · В первую очередь, при возникновении возможности получить доступ к большему массиву данных, желательно с количеством наблюдений как минимум более 1000 на каждую компанию, появится возможность: а) улучшить не только точность предсказания, но, главное, качество и состоятельность прогноза б) применить более продвинутые методы и модели машинного обучения, а затем выбрать из всех доступных методов предсказания лучший метод.
• · Во-вторых, если получить доступ к полному историческому архиву твитов, можно решить две проблемы: получить более обширную выборку и получить возможность построить собственный классификатор твитов. Наличие собственного классификатора позволит построить предсказательную модель, которая будет в состоянии делать прогнозы в режиме реального времени. Как уже отмечалось в работе, часть данных для тренировки классификатора имеется, классификатор был построен. Однако, так как методология построения классификатора не имеет отношения к теме данной работы, то сама методология не была описана. Более того, имеющиеся данные являются общими твитами на случайные темы, а не о компаниях. В связи с этим точность построенного классификатора оказалась ниже 80%. Таким образом, остается возможность построить более совершенный классификатор твитов.

Результаты работы можно рекомендовать к использованию при составлении инвестиционных и торговых стратегий, в особенности для акций крупных компаний телекоммуникационной и IT отраслей. Имплементация довольно проста, так как по предложенной методологии получаются предсказания по типу Up-or-Down, таким образом, Up может служить сигналом к покупке, а Down, соответственно, к продаже.