Sosyal Medya Platformlarının Hisse Senedi Piyasalarına Etkisi: BIST30 Örneği

Abstract

Sosyal medya platformları insanların kendilerini ifade ettikleri ve sadece toplumun bir kesimininin görüşlerinin yer aldığı medya araçlarına oranla büyük kitlelerin de kendi görüşlerini iletebildikleri mecralar haline gelmiştir. Bu etkileri sebebiyle son zamanlarda bahse konu platformlarda yer alan görüşlerin birçok alana etkisinin olup olmadığı araştırmacıların ilgisini çekmektedir. Bu çalışmada da sosyal medya platformlarından Twitter ile hisse senedi fiyatları arasındaki ilişkiyi ortaya koymaya çalışıyoruz. Çalışmada BIST30’da yer alan 30 işletmeye ait negative ve pozitif tweetler 02.01.2014-31.01.2020 arası günlük very olarak kullanılmıştır. Çalışmada sırasıyla Pesaran yatay kesit bağımlılık testi, Panicca birim kök testi ve DOLSMG tahmincisi ile elde edilen model tahmin edilmiştir. Panelin geneli için tüm katsayılar anlamlıdır. Negatif değişkeninin katsayısı negatif işaretlidir. Şirketler hakkında atılan olumsuz tweetler şirkete ait hisse senedi getirisini olumsuz etkilemektedir. Pozitif değişkeninin katsayısı pozitif işaretlidir. Şirketler hakkında atılan olumlu tweetler şirkete ait hisse senedi getirisini olumlu etkilemektedir. Olumsuz tweetlerin etkisi daha fazladır. Hacim değişkeninin katsayısı pozitif işaretlidir. Şirket hacminin büyüklüğü hisse senedi getirisini olumlu etkilemektedir. Elde edilen bulgular hisse senedi getirilerinin sosyal medya paylaşımlarına karşı duyarlı olduğunu göstermektedir.

Keywords

• Twitter
• BIST 30
• Panel Veri

The Effect of Socila Media Platforms on Stock Markets: A Sample of BIST30

Abstract

Social media platforms have become channels where people can express themselves. Large masses can convey their opinions compared to the media where only a part of the society has views. Due to these effects, it is of interest to researchers whether the views on the aforementioned platforms have had an impact on many areas. In this study, we try to reveal the relationship between Twitter, one of the social media platforms, and stock prices. In the study, negative and positive tweets of 30 businesses in BIST 30 were used as daily data between 02.01.2014-31.01.2020. In the study, the model obtained by Pesaran cross section dependency test, Panicca unit root test and DOLSMG estimator was estimated. All the coefficients are significant for the entire panel. The coefficient of the negative variable has a negative sign. In other words, unfavourable tweets about companies affect the company's stock returns negatively. The coefficient of the positive variable has a positive sign. In other words, positive tweets about companies positively affect the company's stock returns. Unfavourable tweets have more impact. The coefficient of the volume variable has a positive sign. In other words, the size of the company volume positively affects the stock return. Findings show that stock returns are sensitive to social media posts.

Keywords

• Twitter
• , BIST 30
• Panel Data

References

1. Agarwal, A., Xie, B., Vovsha, I., Rambow, O., Passonneau, R.(2011). "Sentiment analysis of Twitter data". Proceedings of the Workshop on Languages in Social Media, Portland, Oregon (2011).
2. Antweiler, W., Frank, M. Z. (2004). “Is All That Talk Just Noise? The Information Content of Internet Stock Message Boards”. The Journal of Finance, 59 (3), 1259-1294.
3. Bai, J., Ng, S. (2004). “A PANIC Attack on Unit Roots and Cointegration”. Econometrica, 72 (4), 1127-1177. doi: 10.1111/j.1468-0262.2004.00528.x
4. Bai, J., Ng, S. (2010). “Panel Unit Root Tests With Cross-Section Dependence: A Further Investigation”. Econometric Theory, 26 (4), 1088-1114.
5. Bakshi, R. K., Kaur, N., Kaur, R., Kaur, G. (2016, 16-18 March 2016). Opinion mining and sentiment analysis. Paper presented at the 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom).
6. Birnberg, J. G., Ganguly, A. R. (2012). “Is neuroaccounting waiting in the wings? An essay”. Accounting, Organizations and Society, 37 (1), 1-13. doi: https://doi.org/10.1016/j.aos.2011.11.004
7. Bollen, J., Mao, H., Zeng, X. (2011). “Twitter mood predicts the stock market”. Journal of Computational Science, 2 (1), 1-8. doi: https://doi.org/10.1016/j.jocs.2010.12.007
8. Breusch, T. S., Pagan, A. R. (1980). “The Lagrange Multiplier Test and its Applications to Model Specification in Econometrics”. The Review of Economic Studies, 47 (1), 239-253. doi: 10.2307/2297111

9. Bukovina, J. (2016). “Social media big data and capital markets—An overview”. Journal of Behavioral and Experimental Finance, 11, 18-26. doi: https://doi.org/10.1016/j.jbef.2016.06.002
10. Chu, Z., Gianvecchio, S., Wang, H., Jajodia, S.(2010). "Who is tweeting on Twitter: human, bot, or cyborg?". Proceedings of the 26th Annual Computer Security Applications Conference, Austin, Texas, USA (2010).
11. Costa, D. F., Carvalho, F. d. M., Moreira, B. C. d. M. (2019). “Behavioral Economics And Behavioral Finance: A Bibliometric Analysis Of The Scientific Fields”. Journal of Economic Surveys, 33 (1), 3-24. doi: 10.1111/joes.12262
12. dunya.com. (2020). SPK, "piyasa dolandırıcıları"nın peşinde, cezalar 80 milyon TL'yi aştı. Erişim Tarihi 15.11.2020
13. Eliaçık, A. B., Erdoğan, N. (2015). Mikro Bloglardaki Finans Toplulukları için Kullanıcı Ağırlıklandırılmış Duygu Analizi Yöntemi. Paper presented at the Ulusal Yazılım Mühendisliği Sempozyumu.
14. Erdinç, Y. (2004). Yatırımcı ve Teknik Analiz Sorgulanıyor. Ankara: Siyasal Kitabevi.
15. Esen, E., Özdemir, A., Temizel, F. (2020). “Borsa İstanbul 100 Endeksi̇nde Yer Alan Şi̇rketleri̇n Sosyal Medya Kullanimi Ve Fi̇nansal Performans İli̇şki̇si̇”. Uluslararası Yönetim İktisat ve İşletme Dergisi, 16 (1), 150-159.
16. Fama, E. F. (1970). “Efficient Capital Markets: A Review of Theory and Empirical Work”. The Journal of Finance, 25 (2), 383-417. doi: 10.2307/2325486
17. Foan, C. (2006). İkincil Piyasalarda İşlem Gören Hisse Senetleri İçin Yatırım Kararlarına Yönelik Sistematik Bir Yatırım Yaklaşımı ve IMKB 30 Üzerine Bir Uygulama İstanbul: İstanbul İstanbul Üniversitesi Sosyal Bilimler Enstitüsü Para, Sermaye Piyasaları ve Finansal Kurumlar Anabilim Dalı
18. Hu, Y., Liu, K., Zhang, X., Su, L., Ngai, E. W. T., Liu, M. (2015). “Application of evolutionary computation for rule discovery in stock algorithmic trading: A literature review”. Applied Soft Computing, 36, 534-551. doi: https://doi.org/10.1016/j.asoc.2015.07.008
19. Hu, Y., Valera, H. G. A., Oxley, L. (2019). “Market efficiency of the top market-cap cryptocurrencies: Further evidence from a panel framework”. Finance Research Letters, 31, 138-145. doi: https://doi.org/10.1016/j.frl.2019.04.012
20. Karan, M. B. (2011). Yatırım Analizi ve Portföy Yönetimi (Vol. 3). Ankara: Gazi Kitabevi.
21. Kilimci, Z. (2020). “Borsa tahmini için Derin Topluluk Modellleri (DTM) ile finansal duygu analizi”. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 35 (2), 635-650. doi: 10.17341/gazimmfd.501551
22. Kumar, K. S. V., Devi, V. R. (2014). “Social Media in Financial Services – A Theoretical Perspective”. Procedia Economics and Finance, 11, 306-313. doi: https://doi.org/10.1016/S2212-5671(14)00198-1
23. Kuzu, S., Çelik, İ. s. E. (2020). “Borsa İstanbul'da Sürü Davranışı Varlığının Test Edilmesi: Borsa İstanbul Üzerine Bir Uygulama”. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 4 (2), 363-375.
24. Liu, B., Zhang, L. (2012). “A Survey of Opinion Mining and Sentiment Analysis”. C. C. Aggarwal ve C. Zhai (Ed.). Mining Text Data (ss. 415-463). Boston, MA: Springer US.
25. Mao, H., Counts, S., Bollen, J. (2011). “Predicting financial markets: Comparing survey, news, twitter and search engine data”. arXiv preprint arXiv:1112.1051.
26. Miranda, M. D., Sassi, R. J. (2014). Using Sentiment Analysis to Assess Customer Satisfaction in an Online Job Search Company, Cham.
27. Nasir, M. A., Huynh, T. L. D., Nguyen, S. P., Duong, D. (2019). “Forecasting cryptocurrency returns and volume using search engines”. Financial Innovation, 5 (1), 2. doi: 10.1186/s40854-018-0119-8
28. Nguyen, T. H., Shirai, K., Velcin, J. (2015). “Sentiment analysis on social media for stock movement prediction”. Expert Systems with Applications, 42 (24), 9603-9611. doi: https://doi.org/10.1016/j.eswa.2015.07.052
29. Nguyen, V. D., Varghese, B., Barker, A. (2013, 6-9 Oct. 2013). The royal birth of 2013: Analysing and visualising public sentiment in the UK using Twitter. Paper presented at the 2013 IEEE International Conference on Big Data.
30. Nti, I. K., Adekoya, A. F., Weyori, B. A. (2020). “A systematic review of fundamental and technical analysis of stock market predictions”. Artificial Intelligence Review, 53 (4), 3007-3057. doi: 10.1007/s10462-019-09754-z
31. Orçun, Ç. (2010). Finansal Piyasalarda Alım Satım Kararlarında Teknik Analiz Ve İMKB Uygulaması İzmir: Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı Finansman Programı Yüksek Lisans Tezi
32. Özparlak, G. (2020). “The Possible Impact of Twitter Post Messages on Stock Market Activities”. Ankara Üniversitesi SBF Dergisi, 75 (1), 335-354.
33. Pedroni, P. (2001). Purchasing Power Parity Tests in Cointegrated Panels: Department of Economics, Williams College.
34. Pesaran, M. H. (2004). “General diagnostic tests for cross section dependence in panels”. Cambridge Working Papers in Economics, No:435.
35. Pesaran, M. H. (2007). “A simple panel unit root test in the presence of cross-section dependence”. Journal of Applied Econometrics, 22 (2), 265-312. doi: 10.1002/jae.951
36. Pesaran, M. H., Ullah, A., Yamagata, T. (2008). “A bias-adjusted LM test of error cross-section independence”. Econometrics Journal, 11 (1), 105-127. doi: 10.1111/j.1368-423X.2007.00227.x
37. Pesaran, M. H., Vanessa Smith, L., Yamagata, T. (2013). “Panel unit root tests in the presence of a multifactor error structure”. Journal of Econometrics, 175 (2), 94-115. doi: https://doi.org/10.1016/j.jeconom.2013.02.001
38. Reese, S., Westerlund, J. (2016). “Panicca: Panic on Cross-Section Averages”. Journal of Applied Econometrics, 31 (6), 961-981. doi: https://doi.org/10.1002/jae.2487
39. Ruan, Y., Durresi, A., Alfantoukh, L. (2018). “Using Twitter trust network for stock market analysis”. Knowledge-Based Systems, 145, 207-218. doi: https://doi.org/10.1016/j.knosys.2018.01.016
40. Shah, D., Isah, H., Zulkernine, F. (2019). “Stock Market Analysis: A Review and Taxonomy of Prediction Techniques”. International Journal of Financial Studies, 7 (2), 1-22.
41. Sprenger, T. O., Tumasjan, A., Sandner, P. G., Welpe, I. M. (2014). “Tweets and Trades: the Information Content of Stock Microblogs”. European Financial Management, 20 (5), 926-957. doi: 10.1111/j.1468-036X.2013.12007.x
42. Swamy, P. A. V. B. (1970). “Efficient Inference in a Random Coefficient Regression Model”. Econometrica, 38 (2), 311-323. doi: 10.2307/1913012
43. Tumarkin, R., Whitelaw, R. F. (2001). “News or Noise? Internet Postings and Stock Prices”. Financial Analysts Journal, 57 (3), 41-51. doi: 10.2469/faj.v57.n3.2449
44. Xie, Z., Chen, S.-W., Wu, A.-C. (2020). “The foreign exchange and stock market nexus: New international evidence”. International Review of Economics & Finance, 67, 240-266. doi: https://doi.org/10.1016/j.iref.2020.01.001
45. Yang, S. Y., Mo, S. Y. K., Liu, A. (2015). “Twitter financial community sentiment and its predictive relationship to stock market movement”. Quantitative Finance, 15 (10), 1637-1656. doi: 10.1080/14697688.2015.1071078
46. Yerdelen Tatoğlu, F. (2018). Panel Zaman Serileri Analizi (Vol. 2. baskı). İstanbul: Beta Basım Yayın Dağıtım A.Ş.
47. Yıldırım, M., Yüksel, C. (2017). “Sosyal Medya İle Hisse Senedi Fiyatının Günlük Hareket Yönü Arasındaki İlişkinin İncelenmesi: Duygu Analizi Uygulaması”. Uluslararası İktisadi ve İdari İncelemeler Dergisi (22. UPK Ahmet Hamdi İSLAMOĞLU Special Issue). doi: 10.18092/ulikidince.352414
48. Zhang, X., Fuehres, H., Gloor, P. A. (2011). “Predicting Stock Market Indicators Through Twitter “I hope it is not as bad as I fear””. Procedia - Social and Behavioral Sciences, 26, 55-62. doi: https://doi.org/10.1016/j.sbspro.2011.10.562