Many machine learning approaches have been usedfor financial forecasting to estimate stock trends in the future. Thefocus of this project is to implement a Support Vector Machinewith price and news analysis for companies within the technologysector as inputs to predict if the price of the stock is going torise or fall in the coming days and to observe the impact on theprediction accuracy by adding news to the technical analysis.The price analysis is compiled of 9 different financial indicatorsused to indicate changes in price, and the news analysis uses thebag-of-words method to rate headlines as positive or negative.There is a slight indication of the news improving the resultsif the validation data is randomly sampled the testing accuracyincreases. When testing on the last fifth of the data of eachcompany, there was only a small difference in the results whenadding news to the calculation and such no clear correlation canbe seen. The resulting program has a mean and median testingaccuracy over 50 % for almost all settings. Complications whenusing SVM for the purpose of price forecasting in the stockmarket is also discussed. / Många metoder för maskininlärning har använts i syfte av finansiell prognos för att uppskatta aktie trender i framtiden. Fokus för detta projekt är att implementera en Support Vector Machine med pris- och nyhetsanalys för företag inom teknologisektorn som inmatning för att förutsäga om priset på aktien kommer att öka eller minska under de kommande dagarna och för att observera påverkan på förutsägelsens noggrannhet av att lägga till nyheter till den tekniska analysen. Prisanalysen består av 9 olika finansiella indikatorer som används för att indikera prisändringar, och nyhetsanalysen använder metoden bag-of-word för att betygsätta rubriker som positiva eller negativa. Det finns en liten indikation på att nyheterna förbättrar resultat där om valideringsdata stickas ur slumpmässigt provningsnoggrannheten ökar. När man testade den sista femte delen av inmatningsdatan från varje företag, fanns det bara en liten skillnad i resultaten när nyheterna beräknades vilket leder till att en tydlig korrelation kan inte ses. Det resulterande programmet har en genomsnittlig och median test nogrannhet över 50 % för nästan alla inställningar. Komplikationer när SVM används för prisprognoser på aktiemarknaden diskuteras också. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-293854 |
| Date | January 2020 |
| Creators | Hansen, Patrik, Vojcic, Sandi |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:130 |
Page generated in 0.0755 seconds