1. Twitter mood predicts
the stock market
Johan Bollen, Huina Mao, Xiao-Jun Zeng
Journal of Computational Science
(2010-03)
Presented by Annaka 2013-10-16

2. 2

3. 3

4. Summary
株価は、現在の値段よりも情報の影響を受ける。
twitterを分析し、⼤大衆の気分を測定
株価と⼤大衆の気分の関連性を、線形モデルでモデル化
「CALM」の気分と深い関連が⾒見見出された
⾮非線形モデルで学習＆テスト
86.7%の精度度でダウ平均株価の上下を当てることに成功
4

5. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
5

6. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
6. まとめ＆コメント
6

7. 研究背景
チャットの内容から本の売上を予測[Gruhl,2005]
ブログの評判から映画の売上を予測[Mishne,2006]
重⼤大ニュースと株価変化の関係[Schumaker,2009]
⼈人間の気分と決断は深い関係がある(⼼心理理学)
7

8. 研究背景
チャットの内容から本の売上を予測[Gruhl,2005]
ブログの評判から映画の売上を予測[Mishne,2006]
重⼤大ニュースと株価変化の関係[Schumaker,2009]
⼈人間の気分と決断は深い関係がある(⼼心理理学)
「⼤大衆の気分」と「株価」に、何か関連性があるかもしれない
（あわよくば株価予測ができるかも）[Bollen,2010]
※著者
8

9. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
6. まとめ＆コメント
9

10. ⼿手法説明 ⼤大衆の気分測定
2種類の気分測定ツールを利利⽤用
Opinion Finder (OF)
あるテキスト⽂文書が、肯定的(Positive)なのか否定的(Negative)なのかを判定
①Positive単語辞書とNegative単語辞書を⽤用意
②⽂文書に含まれるPositive単語とNegative単語の数を集計
③集計した単語の割合によって判定
Google-‐‑‒Profile of Mood States (GPOMS)
“Calm”, “Alert”, “Sure”, “Vital”, “Kind”, “Happy” の6次元で出⼒力力
⼼心理理学者が提唱した気分の分類（POMS）をGoogleが改良良したもの
①上記の各気分の6種類の辞書を⽤用意
②⽂文書に含まれる各気分ごとの単語の数を集計
③集計した単語の割合によって判定
10

11. ⼿手法説明 ⼤大衆の気分測定(例例)
①Opinion Finder PositiveかNegativeか判定

12. ⼿手法説明 ⼤大衆の気分測定(例例)
②GPOMS 6種の気分別に数値化

13. ⼿手法説明 ⼤大衆の気分測定
2種類の気分測定ツールを利利⽤用
Opinion Finder (OF)
“Sure”,“Happy”と
Positive
あるテキスト⽂文書が、肯定的(Positive)なのか否定的(Negative)なのかを判定
は似た性質
①Positive単語辞書とNegative単語辞書を⽤用意
②⽂文書に含まれるPositive単語とNegative単語の数を集計
③集計した単語の割合によって判定
Google-‐‑‒Profile of Mood States (GPOMS)
“Calm”, “Alert”, “Sure”, “Vital”, “Kind”, “Happy” の6次元で出⼒力力
⼼心理理学者が提唱した気分の分類（POMS）をGoogleが改良良したもの
①上記の各気分の6種類の辞書を⽤用意
②⽂文書に含まれる各気分ごとの単語の数を集計
③集計した単語の割合によって判定
13

14. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
6. まとめ＆コメント
14

15. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
グレンジャーの因果分析を⾏行行った。
⽇日付 t における
ダウ平均株価の
前⽇日との差
n⽇日前までの
値動き情報
⽇日付 t-i における
気分Aの値
n⽇日前までの
⼤大衆の気分情報
モデル化した と、実際のダウ平均株価の変化が
どの程度度⼀一致しているか調べる
15

16. 予備実験(結果)
2-‐‑‒6⽇日前までの情報を使⽤用し、
気分「Calm」の情報を使⽤用した場合が最も良良くモデル化できた
16

17. 予備実験(結果)
⻘青線：ダウ平均株価の変化
⾚赤線：「Calm」の情報を⽤用いてモデル化した場合
17

18. 予備実験(結果)
⻘青線：ダウ平均株価の変化
⾚赤線：「Calm」の情報を⽤用いてモデル化した場合
18

19. 本実験 “⼤大衆の気分”と“株価”の因果関係分析
データ：
tweet数 ：985万tweet
期間 ：2008/2/28 ~∼ 2008/12/19
⼈人数 ：270万user
訓練セット：2008/2/28 ~∼ 2008/11/28
testセット：2008/12/1 ~∼ 2008/12/19
モデル：
Self-‐‑‒organizing Fuzzy Neural Network(SOFNN)
-‐‑‒ 2007年年に提案された、⾃自らでつながりを作っていくNN(?)
-‐‑‒ 5層
-‐‑‒ 線形モデルよりも精度度が出るはず
19

20. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
6. まとめ＆コメント
20

21. 本実験 “⼤大衆の気分”と“株価”の因果関係分析
リーマンショック
training
test
21

22. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
6. まとめ＆コメント
22

23. 実験結果
使⽤用した特徴量量
値下がりor値上がり
の的中率率率(%)
誤差(%)
OFのみ
1.95
73.3
何もなし
1.94
73.3
GPOS(Calm)
1.83
86.7
GPOS(Calm+Alert)
2.03
60.0
GPOS(Calm+Sure)
2.13
46.7
GPOS(Calm+Vital)
2.05
60.0
GPOS(Calm+Kind)
1.85
73.3
GPOS(Calm+Happy)
1.79
80.0
23

24. 実験結果
使⽤用した特徴量量
値下がりor値上がり
の的中率率率(%)
誤差(%)
OFのみ
1.95
73.3
何もなし
1.94
73.3
GPOS(Calm)
86.7
GPOS(Calm+Sure)
1.83
複数の特徴量量を組み合わせると
2.03
精度度低下
2.13
GPOS(Calm+Vital)
2.05
60.0
GPOS(Calm+Kind)
1.85
73.3
GPOS(Calm+Happy)
1.79
80.0
GPOS(Calm+Alert)
60.0
46.7
24

25. Outline
1. 研究背景
2. ⼿手法説明 “⼤大衆の気分”の測定⼿手法
3. 予備実験 “⼤大衆の気分”と“株価”の因果関係分析
4. 本実験 ⾮非線形モデルでの株価予測
5. 本実験 実験結果
6. まとめ＆コメント
25

26. Summary(再掲)
株価は、現在の値段よりも情報の影響を受ける。
twitterを分析し、⼤大衆の気分を測定
株価と⼤大衆の気分の関連性を、線形モデルでモデル化
「CALM」の気分と深い関連が⾒見見出された
⾮非線形モデルで学習＆テスト
86.7%の精度度でダウ平均株価の上下を当てることに成功
26

27. コメント
• 線形モデルよりも、⾮非線形モデルの⽅方が有効だった
• 「Calm」の気分が最も有効な特徴量量(理理由不不明)
• 複数の気分を組み合わせると精度度が落落ちる(理理由不不
明)
• 3-‐‑‒6⽇日分の情報が必要な理理由もうまく説明できない
• 値動きを⼤大きく左右するunexpectedなニュースには
対処できない
• unexpectedなニュースに対応できない＝実
⽤用性が無いのでは？
• 複数の特徴量量(気分)を組み合わせると精度度が
落落ちるのは、上⼿手くモデル化ができていない
証拠では？
27

28. 28