This thesis aims to investigate the potential effects on Value at Risk (VaR) measurements when including social media sentiments from Reddit and Twitter. The investigated stock companies are Apple, Alphabet and Tesla. Furthermore, the VaR measurements will be computed through volatility forecasts and assumptions about the return distributions. The volatility will be forecasted by two different models and each model will both include and exclude social media sentiments, so there will be four different volatility forecasts for each stock. Moreover, the volatility models will be the Heterogeneous autoregression (HAR) model and the Heterogeneous autoregression Neural Network (HAR-NN) model. The assumptions of return distributions are a log-logistic distribution and a log-normal distribution. In addition to this, the VaR measurements are computed and evaluated through number of breaches for each of the volatility forecasts and for both assumptions of a return distribution. The result shows that there is an improvement in forecasting volatility for Apple and Alphabet, as well as fewer VaR breaches for both assumptions of log-return distributions. However, the results for Tesla showed that the volatility forecasts were better when excluding social media sentiment. A possible reason for this might be due to Twitter posts made by influential people, like Elon Musk that would have a larger effect on the volatility than the average sentiment score over that day. Another possible explanation to this might be due to multicollinearity. Overall, the results showed that the assumption of a log-logistic distribution was more suitable over a log- normal return distribution for all three stocks. / Den här studien undersöker de potentiella effekterna av att inkludera sentiment från Reddit och Twitter vid beräkning av det finansiella riskmåttet VaR. De undersökta aktierna är Apple, Alphabet och Tesla. VaR måtten beräknas genom att förutspå volatiliteten samt genom att göra antaganden om aktiernas avkast- ningsfördelning. Volatiliteten förutspås genom två olika modeller och bägge modeller kommer både att inkludera sentiment från sociala medier samt exkludera sentimenten. Därav kommer det totalt vara fyra olika volatilitets prognoser för vardera aktie. Volatilitetsmodellerna som används i denna studie är HAR modellen och HAR-NN modellen. De antaganden som görs om logartimen av avkastningsfördelningarna är att de följer en logistik fördelning samt en normalfördelning. Dessutom är VaR måtten beräknade och eval- uerade genom antalet gånger portföljen överskrider VaR måttet för varje volatilitetsprognos och för vardera antagande om avkastningsfördelning. Resultaten av denna studie visar att inkludering av sentiment från sociala medier förbättrar volatilitetsprognosen för Apple och Alphabet, samt att portföljen överskrider dessa VaR mått för båda fördelningsantaganden. Däremot, visar resultaten för Tesla att volatilitetsprog- nosen är sämre då sentiment från sociala medier inkluderas i modellerna. En möjlig anledning till detta skulle kunna vara på grund av inflyelserika personer, så som Elon Musk vars Twitter inlägg har större påverkan på aktievolatiliteten än medelsentimentet. En annan anledning till detta skulle kunna vara på grund av multikollinearitet, ifall sentimenten till Tesla är starkt korrelerade med volatiliteten. Samman- taget visade resultaten att antagandet av att logaritmen av avkastningarna följer en logistikt fördelning var mer passande än antagandet av en normalfördelning för alla tre aktier.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-345001 |
| Date | January 2023 |
| Creators | Rudert, Emelie |
| Publisher | KTH, Matematik (Avd.) |
| 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-SCI-GRU ; 2023:338 |
Page generated in 0.0076 seconds