Eftersom mental ohälsa stiger i samhället och forskningen inte har ett tydligt svar så har vi i detta projekt formulerat en egen hypotes om varför vi ser den här trenden. Eftersom nyhetstjänster tjänar på att publicera negativa artiklar så leder det till att fler konsumerar negativa nyheter. Målet med projektet är att ta fram en nyhetsaggregator som utför sentimentanalys påaktuella nyheter från Aftonbladet, Expressen, DN och SVT där nyheterna kategoriseras i positiva, neutrala och negativa nyheter. Nyheterna samlas in med en egenutvecklad webskrapare som hämtar nyheterna från respektive källa. Sedan laddas nyheterna upp på en databas och bearbetas sedan för maskininlärning. För klassificering av nyhetsartiklar har vi tränat ett neuralt nätverk som utför klassificering av nyheter i det allmänna nyhetsflödet. Vi har även utvecklat en egen lexikonbaserad modell som är unik för varje användare för att kunna predicera användarspecifika sentiment. Resultat är en egendesignad hemsida med ett allmänt nyhetsflöde, samt ett anpassat flöde för registrerade användare, där man med ett reglage kan reglera vilken typ av nyheter och från vilka nyhetssajter som man vill se nyheter. På hemsidan presenteras även statistik över bland annat hur fördelningen av positiva, neutrala och negativa nyheter är på de olika nyhetssajterna

This paper uses a back-propagating neural network (BPN) to predict the price movements of major crypto currencies, leveraging technical factors as well as measurements of collective sentiment derived from the micro-blogging network Twitter. Our dataset consists of daily, hourly and minutely price levels for Bitcoin, Ether and Litecoin along with 8 popular technical indicators, as well as all tweets with the currencies' cash tags during respective time periods. Insprired by previous research which suggest that artificial neural networks are superior forecasting models in this setting, we were able to create a system generating automated investment decisions on a daily, hourly and minutely time basis. The study concluded that price trends are indeed predictable, with a correct prediction rate above 50% for all models, and corrensponding profitable trading strategies for all currencies on an hourly basis when neglecting trading fees, buy-sell spreads and order delays. The overall highest predictability is obtained on the hourly trading interval for Bitcoin, yielding an accuracy of 55.74% and a cumulative return of 175.1% between October 16, 2021 and December 31, 2021. / I denna studie används ett bakåtpropagerande neoronnät (BPN) för att förutsäga prisrörelser i större kryptovalutor med hjälp av tekniska faktorer och kvantifiering av kollektivt sentimentet från mikrobloggnätverket Twitter. Vårt dataset består av dagliga, timvisa och minutvisa prisnivåer för Bitcoin, Ether och Litecoin tillsammans med 8 populära tekniska indikatorer, samt alla tweets med valutornas "cash tags" under respektive tidsperiod. Med inspiration från tidigare forskning som hävdar att artificiella nauronnät är överlägsna prognosmodeller i denna typ av analys kunde vi skapa ett system som genererar automatiska investeringsbeslut på daglig, timvis och minutvis basis. Vi hävdar med denna studie att pristrender är förutsägbara för dessa kryptovalutor, med en korrekt förutsägelsefrekvens på över 50% för alla modeller, och med lönsamma handelsstrategier för alla valutor på timbasis när man bortser från handelsavgifter, köp- och säljspreadar och orderfördröjningar. Den högsta förutsägbarheten erhålls på timhandelsintervallet för Bitcoin, vilket ger en nogrannhet på 55,74% och en ackumulerad avkastning på 175,1% mellan den 16 oktober 2021 och den 31 december 2021.