Twitter iletileri duygu değerleri ve Bist 30 endeksi günlük değer değişimlerinin Pearson korelasyonu ve Granger nedensellik analizi

Yıl 2021, Cilt: 36 Sayı: 3, 1687 - 1702, 24.05.2021

Aysun Güran , Emine Ateş

https://doi.org/10.17341/gazimmfd.660018

Cited By: 5

Öz

Müşteri odaklı bir anlayışın egemen olduğu çağımızda, yatırımcılar ile etkin bir iletişim ağının oluşturulabilmesi adına, finansal işletmeler sosyal medya platformlarına önem vermeye başlamıştır. Bu çalışmada, iki farklı zaman dilimini kapsayacak şekilde, yatırımcıların etkin bir sosyal medya platformu olan Twitter’da paylaşmış oldukları kısa iletilerden elde edilen farklı duygu polarite değerleriyle, Bist30 endeksi günlük değer değişimleri arasındaki ilişkiyi incelemek için Pearson korelasyon analizi ve Granger nedensellik analizi metotları uygulanmıştır. Analizler sonucunda, duygu polarite değerleri ve Bist30 endeksi günlük değer değişimleri arasında anlamlı korelasyon ilişkileri tespit edilmiştir. Ayrıca, özelikle olağan dışı olayların gerçekleştiği bir dönemde, duygu polarite değerlerinden Bist30 değer değişimlerine doğru bir Granger nedensellik ilişkisi ortaya çıktığı görülmüştür. Türkçe finansal iletiler ile çalışan ve duygu analizi aşamasında Doc2Vec metodu kullanılırken yeni bir öneriyi içeren bu çalışma, korelasyon analizi ve Granger nedensellik analizi aşamalarını kapsayan, analizleri gerçekleştirmek için gerekli olan istatistiksel ve ekonometrik tüm testleri uygulayan en kapsamlı çalışmalardandır.

Anahtar Kelimeler

Duygu Analizi, Korelasyon Analizi, Granger Nedensellik Analizi, Tweet

Kaynakça

• 1. Özmen H. İ. ve Villi B., Sosyal Medya ve Finansal Performans: Borsa İstanbul’da İşlem Gören İşletmeler Üzerinde Bir Araştırma, Bolu Abant Baysal University Journal of Graduate School of Social Sciences, 14 (1), 269-293, 2014.
• 2. Symantech. Social Media Protection Flash Poll Global Results. http://www.symantec.com/about/news/release/article.jsp?prid=20110721_01. Yayın tarihi: Temmuz 21, 2011. Erişim tarihi: Mart, 20, 2019.
• 3. Sprenger T. O., Tumasjan A., Sandner P. G., Welpe, I. M., Tweets and trades: The information content of stock microblogs, European Financial Management, 20 (5), 926-957, 2014.
• 4. Tabari N., Biswas P., Praneeth B., Seyeditabari A., Hadzikadic M., Zadrozny W., Causality Analysis of Twitter Sentiments and Stock Market Returns, In Proceedings of the First Workshop on Economics and Natural Language Processing, Melbourne-Avustralya, 11-19, 20 Temmuz, 2018.
• 5. Meesad P., Boonrawd P., Nuipian V., A chi-square-test for word importance differentiation in text classification, In Proceedings of International Conference on Information and Electronics Engineering, Singapur,6, 110-114, 2011.
• 6. Le Q., ve Mikolov T., Distributed representations of sentences and documents, In Proceedings of the 31st International Conference on Machine Learning, Pekin-Çin, 1188–1196, 21-22 Haziran, 2014.
• 7. Kowsari K., Jafari Meimandi K., Heidarysafa M., Mendu S., Barnes L., Brown D., Text classification algorithms: A survey, Information, 10 (4), 150, 2019.
• 8. Granger, C. W. J., Investigating causal relations by econometric models and cross-spectral methods, Econometrica, 37 (3), 424–438, 1969.
• 9. Bollen J., Mao H., Zeng X., Twitter mood predicts the stock market, Journal of Computational Science, 2 (1), 1-8, 2011.
• 10. Mittal A., ve Goel A., Stock prediction using twitter sentiment analysis, Working Paper Standford University, CS 229, 1-5, 2012.
• 11. Eliaçik A. B., Erdogan N., Mikro Bloglardaki Finans Toplulukları için Kullanıcı Ağırlıklandırılmış Duygu Analizi Yöntemi, In UYMS, 782-793, 2015.
• 12. Ranco G., Aleksovski D., Caldarelli G., Grčar M., Mozetič I., The effects of Twitter sentiment on stock price returns, PloS one, 10 (9), 1-21, 2015.
• 13. Pagolu V. S., Reddy K. N., Panda G., Majhi B, Sentiment analysis of Twitter data for predicting stock market movements, In 2016 international conference on signal processing, communication, power and embedded system (SCOPES), Paralakhemundi-Hindistan, 1345-1350, 3-5 Ekim, 2016.
• 14. Yıldırım M., Yüksel C. A., Sosyal Medya ile Hisse Senedi Fiyatının Günlük Hareket Yönü Arasındaki İlişkinin İncelenmesi: Duygu Analizi Uygulaması. International Journal of Economic and Administrative Studies, 22, 33-44, 2017.
• 15. Deng S., Huang Z. J., Sinha A. P., Zhao H., The Interaction between Microblog Sentiment and Stock Return: An Empirical Examination, MIS quarterly, 42 (3), 895-918, 2018.
• 16. Zhao R., Quantifying the correlation and prediction of daily happiness sentiment and stock return: The Case of Singapore, Physica A: Statistical Mechanics and its Applications, 533, 1-9, 2019.
• 17. Mikolov T., Chen K., Corrado G., Dean J., Efficient estimation of word representations in vector space, Proceedings of Workshop at ICLR, Arizona-Amerika, 1-12, 2-4 Mayıs, 2013. 18. Bonett D. G., Wright T. A., Sample size requirements for estimating Pearson, Kendall and Spearman correlations, Psychometrika, 65 (1), 23-28, 2000.
• 19. Genceli M., Kolmogorov-Smirnov, Lilliefors and Shaphiro-Wilk tests for normality, Sigma Journal of Engineering and Natural Sciences, 25 (4), 306-328, 2007.
• 20. IBM SPPS yazılımı. https://www.ibm.com/tr-tr/analytics/spss-statistics-software. Erişim tarihi: Haziran, 1, 2019.
• 21. Cheung Y. W., Lai K. S., Lag order and critical values of the augmented Dickey–Fuller test, Journal of Business & Economic Statistics, 13 (3), 277-280, 1995.
• 22. Toda H.Y., Phillips P.C., Vector autoregression and causality: a theoretical overview and simulation study, Econometric reviews, 13 (2), 259-285, 1994.
• 23. Işık G., Artuner, H., Turkish dialect recognition in terms of prosodic by long short-term memory neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University 35 (1), 213-224, 2020