Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático

El internet cambió la forma en que los agentes negocian activos en la bolsa, debido a la posibilidad de acceso inmediato a fuentes, artículos y estadísticas específicas para la acción que se desee. Sin embargo, estos no se encargan únicamente de demandar este tipo de fuentes; dado que generan grande...

Descripción completa

Detalles Bibliográficos
Autor Principal: Rodriguez Perez, Andrés Felipe
Otros Autores: Romero, Robert
Formato: Desconocido (Unknown)
Lenguaje:Español (Spanish)
Publicado: Universidad Santo Tomás 2019
Materias:
Acceso en línea:http://hdl.handle.net/11634/14794
id ir-11634-14794
recordtype dspace
institution Universidad Santo Tomas
collection DSpace
language Español (Spanish)
topic Stock Price
Data Mining
Machine Learning
Natural Language Procesing
Social Network Analysis
New York Stock Exchang
Stock Exchange -- Nueva York
Financial Market
Assets (Accounting)
Stocks (Stock Exchange) -- Statistical Analysis
Bolsa de Valores -- Nueva York
Mercado Financiero
Activos (Contabilidad)
Acciones (Bolsa) -- Análisis Estadístico
Precio del Activo
Minería de Datos
Aprendizaje Automático
Procesamiento del Lenguaje Natural
Análisis de Redes Sociales
Bolsa de Valores de Nueva York
spellingShingle Stock Price
Data Mining
Machine Learning
Natural Language Procesing
Social Network Analysis
New York Stock Exchang
Stock Exchange -- Nueva York
Financial Market
Assets (Accounting)
Stocks (Stock Exchange) -- Statistical Analysis
Bolsa de Valores -- Nueva York
Mercado Financiero
Activos (Contabilidad)
Acciones (Bolsa) -- Análisis Estadístico
Precio del Activo
Minería de Datos
Aprendizaje Automático
Procesamiento del Lenguaje Natural
Análisis de Redes Sociales
Bolsa de Valores de Nueva York
Rodriguez Perez, Andrés Felipe
Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático
description El internet cambió la forma en que los agentes negocian activos en la bolsa, debido a la posibilidad de acceso inmediato a fuentes, artículos y estadísticas específicas para la acción que se desee. Sin embargo, estos no se encargan únicamente de demandar este tipo de fuentes; dado que generan grandes cantidades de información que contiene la opinión general sobre el mercado en un momento específico haciendo uso de redes sociales. Este trabajo estudia si esta información tiene capacidad predictiva sobre la variación de la dirección del precio de una activo transado en la Bolsa de Valores de Nueva York, valiéndose de herramientas de minería de datos y algoritmos de aprendizaje de máquina.
author2 Romero, Robert
author_facet Romero, Robert
Rodriguez Perez, Andrés Felipe
format Desconocido (Unknown)
author Rodriguez Perez, Andrés Felipe
author_sort Rodriguez Perez, Andrés Felipe
title Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático
title_short Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático
title_full Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático
title_fullStr Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático
title_full_unstemmed Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático
title_sort predicción de la dirección de variación del precio de una acción de la bolsa de nueva york usando información de la red social stocktwits mediante algoritmos de minería de datos y aprendizaje automático
publisher Universidad Santo Tomás
publishDate 2019
url http://hdl.handle.net/11634/14794
_version_ 1712107597536952320
spelling ir-11634-147942020-03-26T19:42:04Z Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social Stocktwits mediante algoritmos de minería de datos y aprendizaje automático Rodriguez Perez, Andrés Felipe Romero, Robert Stock Price Data Mining Machine Learning Natural Language Procesing Social Network Analysis New York Stock Exchang Stock Exchange -- Nueva York Financial Market Assets (Accounting) Stocks (Stock Exchange) -- Statistical Analysis Bolsa de Valores -- Nueva York Mercado Financiero Activos (Contabilidad) Acciones (Bolsa) -- Análisis Estadístico Precio del Activo Minería de Datos Aprendizaje Automático Procesamiento del Lenguaje Natural Análisis de Redes Sociales Bolsa de Valores de Nueva York El internet cambió la forma en que los agentes negocian activos en la bolsa, debido a la posibilidad de acceso inmediato a fuentes, artículos y estadísticas específicas para la acción que se desee. Sin embargo, estos no se encargan únicamente de demandar este tipo de fuentes; dado que generan grandes cantidades de información que contiene la opinión general sobre el mercado en un momento específico haciendo uso de redes sociales. Este trabajo estudia si esta información tiene capacidad predictiva sobre la variación de la dirección del precio de una activo transado en la Bolsa de Valores de Nueva York, valiéndose de herramientas de minería de datos y algoritmos de aprendizaje de máquina. Internet has changed the way traders trade in stock markets, due to the instant access to specific resources, articles and statistics about any stock. However, by using social networks; the traders took an important role in the generation of large ammounts of information in wich the main opinion about the market is contained. This work digs about if this information has any predictive power over the price direction variation of a stock traded in the New York Stock Exchange, using data mining techniques and machine learning algorithms. Profesional en estadística http://unidadinvestigacion.usta.edu.co Pregrado 2019-01-17T16:02:20Z 2019-01-17T16:02:20Z 2019-01-16 Formación de Recurso Humano para la Ctel: Trabajo de grado de pregrado http://purl.org/coar/version/c_ab4af688f83e57aa Rodríguez, A. (2018). Predicción de la dirección de variación del precio de una acción de la Bolsa de Nueva York usando información de la red social StockTwits mediante algoritmos de minería de datos y aprendizaje automático (Trabajo de Pregrado). Universidad Santo Tomás. Bogotá, Colombia http://hdl.handle.net/11634/14794 http://dx.doi.org/10.15332/tg.pre.2018.00001 reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co spa Asur, S., & Huberman, B. A. (2010, August). Predicting the future with social media. In Proceedings of the 2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology-Volume 01 (pp. 492-499). IEEE Computer Society. Beysolow II, T. Applied Natural Language Processing with Python. Copestake, A. (2005). Natural language processing. Lecture Notes, Computer Laboratory, University of Cambridge. Coyne, S., Madiraju, P., & Coelho, J. (2017, November). Forecasting Stock Prices Using Social Media Analysis. In Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence & Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress (DASC/PiCom/DataCom/CyberSciTech), 2017 IEEE 15th Intl (pp. 1031-1038). IEEE. Dale, R., Moisl, H., & Somers, H. (2000). Handbook of natural language processing. CRC Press. Feldman, R. (2013). Techniques and applications for sentiment analysis. Communications of the ACM, 56(4), 82-89. Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232. Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics & Data Analysis, 38(4), 367-378. Friedman, J., Hastie, T., & Tibshirani, R. (2000). Additive logistic regression: a statistical view of boosting (with discussion and a rejoinder by the authors). The annals of statistics, 28(2), 337-407. Friedman, J. H., & Popescu, B. E. (2003). Importance sampled learning ensembles. Journal of Machine Learning Research, 94305. Hebb, D. O. (1949). The organization of behavior. Izenman, A. J. (2008). Modern multivariate statistical techniques. Regression, classification and manifold learning. Jurafsky, D. (2000). Speech and language processing: An introduction to natural language processing. Computational linguistics, and speech recognition. Kimoto, T., Asakawa, K., Yoda, M., & Takeoka, M. (1990, June). Stock market prediction system with modular neural networks. In Neural Networks, 1990., 1990 IJCNN International Joint Conference on (pp. 1-6). IEEE. Kooijman, J. F. (2014). Stock market prediction using social media data and finding the covariance of the LASSO. LeBaron, B. (2006). Agent-based computational finance. Handbook of computational economics, 2, 1187-1233. McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133. Marquez, L. (2000). Machine learning and natural language processing. In Complementary documentation for the conference “Aprendizaje automático aplicado al procesamiento del lenguaje natural”, Soria. McEnery, T., Xiao, R., & Tono, Y. (2006). Corpus-based language studies: An advanced resource book. Taylor & Francis. Nausheen, S., Kumar, A., & Amrutha, K. K. SURVEY ON SENTIMENT ANALYSIS OF STOCK MARKET. ISO 690 Oh, C., & Sheng, O. (2011, December). Investigating Predictive Power of Stock Micro Blog Sentiment in Forecasting Future Stock Price Directional Movement. In Icis (pp. 1-19). Oliveira, N., Cortez, P., & Areal, N. (2013, September). On the predictability of stock market behavior using stocktwits sentiment and posting volume. In Portuguese Conference on Artificial Intelligence (pp. 355-365). Springer, Berlin, Heidelberg. Samanidou, E., Zschischang, E., Stauffer, D., & Lux, T. (2007). Agent-based models of financial markets. Reports on Progress in Physics, 70(3), 409. Theeramunkong, T., Kongkachandra, R., & Supnithi, T. Advances in Natural Language Processing, Intelligent Informatics and Smart Technology. Tsui, D. Predicting Stock Price Movement Using Social Media Analysis. Stanford University, Technical Report. Werbos, P.J. (1974). Beyond regression: new tools for prediction and analysis in the behavioral sciences, Ph.D. dissertation, Harvard University. 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. Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 application/pdf application/pdf application/pdf application/pdf CRAI-USTA Bogotá Universidad Santo Tomás Pregrado Estadística Facultad de Estadística
score 12,131701