Denna studie undersöker om sentimentet bland svenska Twitteranvändare kan vara en förutsägande faktor för förändringar av OMXS30. Studiens tillvägagångssätt är av kvantitativ sort där ett datorprogram skapas, vars uppgift är att hämta samt analysera data i realtid rörande sentimentet på Twitter. Vi erhåller blandade resultat av sentimentets förmåga att förutsäga förändringar av OMXS30. Modellen presterar bäst vid fyra dagars förskjutning, där det finns indikationer vilka tyder på att det är möjligt att förutspå svenskt aktieindex. Men då data insamlats under begränsad period kan dessa resultats relevans diskuteras.

Internetbaserade investerarforum har blivit en allt viktigare källa till information för investerare. Forumen fungerar på så sätt att investerare med varierande kunskapsnivå delger sina funderingar och förhoppningar om företag och hur deras aktiers avkastning kan komma att se ut. Syftet med studien är att undersöka huruvida foruminläggsfrekvens och sentiment i foruminläggen kan indikera kommande förändringar i mindre bolags aktiers handelsrelaterade variabler. Totalt granskas elva bolags aktier och 40 055 foruminlägg. Sambanden mellan investerarforumen och aktiehandeln undersöks med en bivariat korrelationsanalys. Studien finner inte statistiskt signifikanta resultat för att sentimentnivå kan antyda aktiers kommande avkastning vilket styrker att aktiemarknadens effektivitet. Resultatet visar däremot att inläggsfrekvens korrelerar positivt med aktiers volatilitet, omsättning, volym och avslut.

Studiens syfte är att undersöka om uppmätt sentiment på Twitter kan vara en förutsägande faktor för priset på Bitcoin. En kvantitativ undersökning genomförs med regressionsmodeller där data inhämtas från Twitter i realtid. Resultatet indikerar ett svagt samband där bäst resultat erhölls med en tidsfördröjning av sentiment på 16 timmar, vilket tyder på att det kan finnas möjligheter att använda Twitter för att förutspå förändringar av priset på Bitcoin. Variationen av resultat för olika tidsperioder gör dock att det är svårt att dra generella slutsatser av studien.

Den här studien syftar till att undersöka associationer till de religiösa identiteterna kristen, sekulär och muslim. Associationerna hämtas från 2 150 enkätsvar, där respondenterna har uppmanats ange det första de kommer att tänka på när de hör orden kristen, sekulär och muslim. Sentimentanalys används för att undersöka om det finns skillnader i hur positiva och negativa känslouttryck förekommer i associationerna. Innehållsanalys används för att undersöka om det finns skillnader i vad respondenterna associerar till. Studien vilar på två teoretiska ramverk: Granovetters teori om svaga och starka band i sociala nätverk samt Tajfels sociala identitetsteori. Teorierna används för att ytterligare belysa analyserna genom att sätta uppmätta skillnader i sentiment och innehåll i relation till respondenternas egna identiteter och egna sociala nätverk. Studien visar att de negativaste associationerna är kopplade till den muslimska identiteten och att respondenterna generellt sett är positivare till identiteter som de själva identifierar sig med. Vidare visar studien att respondenter som har en muslimsk person i sina sociala nätverk associerar positivare till både sekulära och muslimer, jämfört med respondenter vars sociala nätverk inte består av några muslimska relationer. Respondenter som har muslimer i sina sociala nätverk tycks också ha bättre kunskap kring den sekulära identiteten. Studiens fynd går i linje med båda de teoretiska ramverken, vilket behandlas vidare i det avslutande diskussionskapitlet. Där diskuteras även bland annat praktiska tillämpningar och vidare forskning.

I efterdyningarna av den första chocken från COVID-19 på europeiska flygbolag undersöker denna studie Twitteraktiviteten relaterad till fyra av dessa bolag och tillämpar sentimentanalys för att utforska interaktioner mellan kunder och bolag. Sambandet mellan kundsentimentet och bolagens svarstid, samt sambandet mellan kundsentiment och bolagens svarsfrekvens undersöktes men inga betydande korrelationer påträffades. Vidare undersökning av bolagens kundbemötande ledde till en mer detaljerad bild av vilka svarselement bolagen använde vid bemötandet. Dock var inte denna analys tillräckligt omfattande för att kunna dra några slutsatser kring effekterna av varje svarselement. Denna studie ställer frågan om sentimentanalys är en effektiv metod för att förstå hur olika bemötandestrategier via sociala medier påverkar kunders attityder gentemot ett företag.

Sentimentanalys av Twitterinlägg, samt kvantifiering och analys av dess resultat har de senaste decenniet fått enallt större spridning, både i den akademiska världen och i näringslivet. Denna undersökning har som mål attgranska huruvida det är möjligt att bestämma den amerikanska presidentens förtroendesiffror med hjälp av 259774 insamlade Twitterinlägg och ett dataset innehållandes förtroendesiffror för samma tidsperiod sammanställdfrån olika institut som genomför opinionsundersökningar. Potentiella intressenter av studien skulle kunna varavalforskare, lingvister och analytiker på olika institut såsom Gallup. Sentimentvärdet för varje Twitterinlägg bestämdes med hjälp av två olika listor med polaritetsvärdare ord, BPMoch AFINN. Det första är ett egensammansatt lexikon och det andra är ett lexikon framtaget för sentimentanalysinom framförallt sociala medier. Den kvantifierade datan kunde sedan jämföras med de manuellt sammanställdaförtroendesiffrorna från opinionsundersökningarna. Korrelation mellan våra sentimentvärderade Twitterinläggoch referensdatan var väldigt låg, vilket skiljer vår studie från andra liknande studier. Mer generella slutsatserkunde dras vid noggrannare undersökning och tydning av resultatet. Framtida studier bör ta hänsyn till sentimentanalysens ofta väldigt lågt prediktiva förmåga vid utförandet avliknande parametrar som i denna studie, d.v.s. med en värdering som bara returnerar positiva, negativa ellerneutrala resultat. / Sentimentanalysis of tweets, as well as quantification and analys of obtained results, has in the last decadereceived a fair share of attention, both in the academic world and the private sector. This study aims to toexamine whether or not it is possible to accurately assess the approval ratings of the President of the UnitedStates using a dataset containing 259.777 tweets and another where the approval ratings were accumulated overthe same time period from two different polling aggregators. Potential person with interest in this studie couldbe researchers who specialize in election, linguists and analyst at institutes such as Gallup. The sentiment value for each collected tweet was accrued using two different sentimentlexicons, AFINN and theone designed by us BPM. This quantified data could then be compared to the manually aggregated approvalratings. An exact mirroring of the result from the reference data and our own could not be made but moregeneral conclusions could be drawn such as that the general consensus on Twitter seems to be as negative as theapproval ratings.

This study analyzes peoples reactions in social media to the release of a company’s quarterly report. Sentiment analysis was performed on tweets about a company both from a short-and long-term perspective. On the long-term perspective, a two year period of sentiment was studied in relation to its quarter’s percental change of net income and revenues. Three companies was investigated in this process. On the short-term perspective, a linear regression was conducted based the quarter’s percental change of net income and revenues and on sentiment score, ranging from release day to 2 days after the release of a company’s quarterly report, in total five companies were studied. The result inferred that there was no correlation between the company’s net income and the reaction on Twitter on both long and short-term. Our conclusion is that the attitude towards a company is influenced by other factors than net income and revenues. The study also indicates that sentiments found in Twitter messages regarding a company name are related to a positive or negative expectation of the company. Findings suggest future studies to focus on companies greatly dependent on one product and analyze sentiment regarding that product instead, as the product is likely to impact financial results. / Denna studie undersöker hur människors reaktioner utspelas på sociala medier efter att ett företags kvartalsrapport släppts. En sentimentanalys utfördes på tweets angående ett företag ur både ett kortsiktigt och ett långsiktigt perspektiv. I det långsiktiga perspektivet jämfördes sentimenten från en tvåårsperiod med resultatet från kvartalsrapporterna under samma tid. Tre företag undersöktes. I det kortsiktiga perspektivet utfördes en linjär regression baserat på förändringen av rörelseresultatet och intäkterna, samt sentimentet med ett tidsintervall på 2 dagar från det att bolagets kvartalsrapport publiceras, detta utfördes på fem bolag. Resultaten från både det långsiktiga och det kortsiktiga perspektivet tyder på att det inte finns någon korrelation mellan företagets rörelseresultat och intäkter, samt sentimentet på Twittermeddelanden innehållande bolagets namn. Vår slutsats är att inställningen till ett företag påverkas av andra faktorer än rörelseresultatet och intäkterna. Studien indikerar också att inställningen på Twitter till ett företagsnamn är baserat på en positiv eller negativ förväntan. Vi föreslår att framtida studier fokuserar på företag som är starkt beroende av en produkt och analyserar sentiment för den specifika produkten istället eftersom produkten i detta läge har en stor inverkan på kvartalsrapportens resultat.

Many companies strive to make data-driven decisions. To achieve this, they need to explore new tools for Business Intelligence. The aim of this study was to examine the performance and usability of aspect-based sentiment analysis as a tool for Business Intelligence in E-commerce. The study was conducted in collaboration with Ellos Group AB which supplied anonymous customer feedback data. The implementation consists of two parts, aspect extraction and sentiment classification. The f irst part, aspect extraction, was implemented using dependency parsing and various aspect grouping techniques. The second part, sentiment classification, was implemented using the language model KB-BERT, a Swedish version of the BERT model. The method for aspect extraction achieved a satisfactory precision of 79,5% but only a recall of 27,2%. Moreover, the result for sentiment classification was unsatisfactory with an accuracy of 68,2%. Although the results underperform expectations, we conclude that aspect-based sentiment analysis in general is a great tool for Business Intelligence. Both as a means of generating customer insights from previously unused data and to increase productivity. However, it should only be used as a supportive tool and not to replace existing processes for decision-making. / Många företag strävar efter att fatta datadrivna beslut. För att åstadkomma detta behöver de utforska nya metoder för Business Intelligence. Syftet med denna studie var att undersöka prestandan och användbarheten av aspektbaserad sentimentanalys som ett verktyg för Business Intelligence inom e-handeln. Studien genomfördes i samarbete med Ellos Group AB som tillhandahöll data bestående av anonym kundfeedback. Implementationen består av två delar, aspektextraktion och sentimentklassificering. Aspektextraktion implementerades med hjälp av dependensparsning och olika aspektgrupperingstekniker. Sentimentklassificering implementerades med hjälp av språkmodellen KB-BERT, en svensk version av BERT. Metoden för aspektextraktion uppnådde en tillfredsställande precision på 79,5% men endast en recall på 27,2%. Resultatet för sentimentklassificering var otillfredsställande med en accuracy på 68,2%. Även om resultaten underpresterar förväntningarna drar vi slutsatsen att aspektbaserad sentimentanalys i allmänhet är ett bra verktyg för Business Intelligence. Både som ett sätt att generera kundinsikter från tidigare oanvända data och som ett sätt att öka produktiviteten. Det bör dock endast användas som ett stödjande verktyg och inte ersätta befintliga processer för beslutsfattande.

Denna studie undersöker möjligheten att med hjälp av sentimentanalys av golfspelares twitterkonton kunna förutsäga deras kommande resultat. Studien baserades på två dataset: 155 professionella golfares resultat och 112 101 tweets insamlade från två säsonger på PGA­touren. Vår studie kan vara av intresse för till exempel spelbolag, spelare, tränare och fans. Det känslor golfspelarna uttryckt i sina tweets kvantifierades till ett siffervärde med hjälp av den lexikala sentimentsanalysmetoden AFINN. Resultaten av vår studie visar på mycket låg korrelation mellan de insamlade dataseten och att sentimentvärdena innehar en låg grad av prediktiv förmåga. Dessa resultat står i kontrast mot liknande forskning utförd på annan sport. Vår rekommendation för framtida studier är att basera modellen på fler variabler utöver sentimentvärde för att tydligare klargöra hur de känslor golfspelare uttrycker på twitter kan användas för att förutspå deras kommande resultat. / In this study we examine the relationship between the sentiment value of golf players’ tweets and their sports results to evaluate the predictive power of the their twitter accounts. Findings on this topic may be of value to bookmakers, gamblers, coaches and fans of sport. Our study is based on two datasets: PGA­tour golf statistics and 112 101 tweets made by 155 profesional golfers over the course of two seasons. The golf players’ sentiment was quantified using the lexical sentiment analysis method AFINN. In contrast to other research with similiar methods, our findings suggest that there is low correlation betweet the datasets and that the methods used in our study have low predictive power. Our recommendation is that future studies use additional prediction variables besides sentiment score to better evaluate the predictive power of golf players’ tweets.

Over the last five years, the amount of retail investors has increased immensely. Trying to make informed decisions, many of the more active investors look to social media as a source of information. In early 2021, the eyes of the world focused on retail investors as Gamestop, a video game retailing company, experienced an immense price surge over the course of a few weeks on the stock market. This event, among others, lead the SEC (Securities and Exchange Commission) to open up a discussion about the impact of social media on the stock market. It seemed individual social media accounts were able to increase the volatility in a number of different stocks. This study investigates the immediate impact of larger Swedish Twitter accounts on the volatility and price of Swedish small- cap companies. Sentiment analysis and data modeling in the Python programming language were used in order to compare volatility and price changes before and after tweets of different sentiments were made about the companies. Our study was unable to find any correlation between an immediate change in price or an immediate increase in volatility and tweets made, suggesting Swedish finance Twitter accounts have little to no immediate impact on Swedish small- cap companies. / Under de senaste fem åren har antalet privata investerare ökat markant. När privata investerare försöker göra välgrundade investeringsbeslut brukar de ofta använda inlägg på sociala medier som ledstjärna. Tidigt på år 2021 vändes blickarna mot privata investerare när priset på spelåterförsäljningsföretaget Gamestops aktier ökat med flera hundratals procent under bara loppet av några få veckor. Denna prisökning fick SEC (Securities and Exchange Commission i USA) att inleda en diskussion om inverkan av sociala medier på aktiehandeln. Mycket påvisade att individuella konton på sociala medier hade förmågan att öka volatilitet av aktiepriser för vissa bolag. Det här forskningsprojektet ämnar att undersöka den omedelbara inverkan av svenska twitterkonton på pris och volatilitet av pris av svenska småföretags aktier. Sentimentanalys och datamodellering gjordes i programmeringsspråket Python för att jämföra volatilitet och prisändringar innan och efter tweets av olika sentiment gjordes om de olika företagen. Studien lyckades inte visa på korrelation mellan en omedelbar ändring i pris eller omedelbar ökning i volatilitet och gjorda tweets, vilket tyder på att twitterkonton har inget eller väldigt lite inflytande på svenska småföretag.