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

doi:http://dx.doi.org/10.15332/tg.pre.2018.00001

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

dc.contributor.advisor	Romero, Robert
dc.contributor.author	Rodriguez Perez, Andrés Felipe
dc.date.accessioned	2019-01-17T16:02:20Z
dc.date.available	2019-01-17T16:02:20Z
dc.date.issued	2019-01-16
dc.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.	spa
dc.description.abstract	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.	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Profesional en estadística	spa
dc.description.domain	http://unidadinvestigacion.usta.edu.co	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	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	spa
dc.identifier.doi	http://dx.doi.org/10.15332/tg.pre.2018.00001
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/14794
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bogotá	spa
dc.publisher.faculty	Facultad de Estadística	spa
dc.publisher.program	Pregrado Estadística	spa
dc.relation.references	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.	spa
dc.relation.references	Beysolow II, T. Applied Natural Language Processing with Python.	spa
dc.relation.references	Copestake, A. (2005). Natural language processing. Lecture Notes, Computer Laboratory, University of Cambridge.	spa
dc.relation.references	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.	spa
dc.relation.references	Dale, R., Moisl, H., & Somers, H. (2000). Handbook of natural language processing. CRC Press.	spa
dc.relation.references	Feldman, R. (2013). Techniques and applications for sentiment analysis. Communications of the ACM, 56(4), 82-89.	spa
dc.relation.references	Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.	spa
dc.relation.references	Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics & Data Analysis, 38(4), 367-378.	spa
dc.relation.references	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.	spa
dc.relation.references	Friedman, J. H., & Popescu, B. E. (2003). Importance sampled learning ensembles. Journal of Machine Learning Research, 94305.	spa
dc.relation.references	Hebb, D. O. (1949). The organization of behavior.	spa
dc.relation.references	Izenman, A. J. (2008). Modern multivariate statistical techniques. Regression, classification and manifold learning.	spa
dc.relation.references	Jurafsky, D. (2000). Speech and language processing: An introduction to natural language processing. Computational linguistics, and speech recognition.	spa
dc.relation.references	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.	spa
dc.relation.references	Kooijman, J. F. (2014). Stock market prediction using social media data and finding the covariance of the LASSO.	spa
dc.relation.references	LeBaron, B. (2006). Agent-based computational finance. Handbook of computational economics, 2, 1187-1233.	spa
dc.relation.references	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.	spa
dc.relation.references	Marquez, L. (2000). Machine learning and natural language processing. In Complementary documentation for the conference “Aprendizaje automático aplicado al procesamiento del lenguaje natural”, Soria.	spa
dc.relation.references	McEnery, T., Xiao, R., & Tono, Y. (2006). Corpus-based language studies: An advanced resource book. Taylor & Francis.	spa
dc.relation.references	Nausheen, S., Kumar, A., & Amrutha, K. K. SURVEY ON SENTIMENT ANALYSIS OF STOCK MARKET. ISO 690	spa
dc.relation.references	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).	spa
dc.relation.references	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.	spa
dc.relation.references	Samanidou, E., Zschischang, E., Stauffer, D., & Lux, T. (2007). Agent-based models of financial markets. Reports on Progress in Physics, 70(3), 409.	spa
dc.relation.references	Theeramunkong, T., Kongkachandra, R., & Supnithi, T. Advances in Natural Language Processing, Intelligent Informatics and Smart Technology.	spa
dc.relation.references	Tsui, D. Predicting Stock Price Movement Using Social Media Analysis. Stanford University, Technical Report.	spa
dc.relation.references	Werbos, P.J. (1974). Beyond regression: new tools for prediction and analysis in the behavioral sciences, Ph.D. dissertation, Harvard University.	spa
dc.relation.references	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.	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keyword	Stock Price	spa
dc.subject.keyword	Data Mining	spa
dc.subject.keyword	Machine Learning	spa
dc.subject.keyword	Natural Language Procesing	spa
dc.subject.keyword	Social Network Analysis	spa
dc.subject.keyword	New York Stock Exchang	spa
dc.subject.keyword	Stock Exchange -- Nueva York	spa
dc.subject.keyword	Financial Market	spa
dc.subject.keyword	Assets (Accounting)	spa
dc.subject.keyword	Stocks (Stock Exchange) -- Statistical Analysis	spa
dc.subject.lemb	Bolsa de Valores -- Nueva York	spa
dc.subject.lemb	Mercado Financiero	spa
dc.subject.lemb	Activos (Contabilidad)	spa
dc.subject.lemb	Acciones (Bolsa) -- Análisis Estadístico	spa
dc.subject.proposal	Precio del Activo	spa
dc.subject.proposal	Minería de Datos	spa
dc.subject.proposal	Aprendizaje Automático	spa
dc.subject.proposal	Procesamiento del Lenguaje Natural	spa
dc.subject.proposal	Análisis de Redes Sociales	spa
dc.subject.proposal	Bolsa de Valores de Nueva York	spa
dc.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	spa
dc.type	bachelor thesis
dc.type.category	Formación de Recurso Humano para la Ctel: Trabajo de grado de pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.local	Tesis de pregrado	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion