Potential of ChatGPT in predicting stock market trends based on Twitter Sentiment Analysis
Diese Studie zeigt, dass ChatGPT durch die Analyse der Twitter-Sentiment kurzfristige Börsentrends für Microsoft und Google effektiv vorhersagen kann, was eine positive Korrelation zwischen seinen Bewertungen und der darauffolgenden Aktienperformance offenbart.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen Finanzwelt wird der Puls des Marktes oft nicht nur in Sitzungssälen oder an Handelsparks gespürt, sondern im digitalen Geplapper von Millionen von Menschen online. Seit Jahrzehnten versuchen Experten vorherzusagen, ob Aktienkurse steigen oder fallen, indem sie Unternehmensberichte und Wirtschaftsdaten studieren. Eine neuere Idee hat jedoch Fuß gefasst: dass die kollektive Stimmung der Öffentlichkeit, die in Echtzeit in den sozialen Medien zum Ausdruck kommt, tatsächlich die Nadel bei den Aktienwerten bewegen könnte. Dieses Konzept stützt sich auf die „Sentiment-Analyse“, eine Methode, bei der Computer Texte lesen, um zu bestimmen, ob die Gefühle hinter den Worten positiv, negativ oder neutral sind. Die Frage, die Forscher nun stellen, ist, ob die neueste Generation der künstlichen Intelligenz, insbesondere ein leistungsfähiges Sprachmodell, das in der Lage ist, menschliche Konversationen zu verstehen, diese digitale Stimmung lesen und die Zukunft des Aktienmarktes vorhersagen kann, ohne zuvor die Regeln der Finanzwelt gelernt zu haben.
Zwei Forscher, Ummara Mumtaz und Summaya Mumtaz, unternahmen den Versuch, diese Idee mit einem Werkzeug namens ChatGPT zu testen. Sie konzentrierten sich auf zwei der weltweit größten Technologieunternehmen, Microsoft und Google, und stellten eine einfache Frage: Könnte diese künstliche Intelligenz die Tweets eines Tages über diese Unternehmen analysieren und erraten, ob ihre Aktienkurse am nächsten Tag steigen oder fallen würden? Die Forscher trainierten den Computer nicht zum Finanzexperten. Stattdessen nutzten sie eine Technik, die als „Zero-Shot Learning“ bekannt ist, die es einem Modell ermöglicht, eine Aufgabe auszuführen, die es zuvor noch nie gesehen hat, indem es sich auf sein allgemeines Sprachverständnis verlässt. Sie sammelten eine riesige Sammlung von einer halben Million Tweets aus dem frühen Jahr 2023, die durch die Suche nach dem Begriff „gpt“ extrahiert wurden. Aus diesem ursprünglichen Datensatz suchten und filterten sie gezielt nach Tweets, die drei verschiedene Begriffe erwähnten oder mit ihnen in Zusammenhang standen: „ChatGPT“, „Microsoft“ und „Google“. Um den Prozess fair zu gestalten, bereinigten sie die Daten nur geringfügig, indem sie Web-Links entfernten, aber die rohen, ungefilterten Meinungen, Hashtags und Emojis genau so ließen, wie die Menschen sie gepostet hatten, um die authentische Stimme des Internets zu bewahren.
Die Methode war unkompliziert. Für jeden Tag in ihrem Untersuchungszeitraum speisten die Forscher eine Stichprobe von etwa 15.000 Wörter umfassenden Tweets in ChatGPT ein. Sie gaben dem Computer eine einfache Anweisung: Diese Beiträge zu lesen und den Trend des Aktienmarktes für Microsoft und Google für den folgenden Tag vorherzusagen. Das Modell wurde nicht mit historischen Börsendaten gefütert, um es zu studieren; es musste sich ganz auf den Tonfall und den Inhalt der Tweets verlassen. Der Computer gab dann eine Vorhersage aus, wie zum Beispiel „aufwärts“, „abwärts“ oder „stabil“, und fügte oft eine kurze Erklärung hinzu, warum er dies glaubte, etwa indem er anmerkte, dass ein Unternehmen durch einen neuen Konkurrenten herausgefordert werde oder dass eine spezifische Produkteinführung Begeisterung auslöse. Die Forscher verglichen diese computergenerierten Vermutungen dann mit der tatsächlichen prozentualen Veränderung der Aktienkurse, die am nächsten Tag von der Börse gemeldet wurde.
Die Ergebnisse zeigten einen überraschend hohen Erfolg. Für Microsoft sagte die künstliche Intelligenz die Richtung des Aktienmarkttrends an 26 von 37 Tagen korrekt voraus, was einer Genauigkeitsrate von 70 Prozent entspricht. Für Google war das Modell an 23 von 36 Tagen korrekt, was einer Genauigkeit von etwa 63,88 Prozent entspricht. Die Forscher stellten fest, dass diese Zahlen zwar nicht perfekt sind, aber signifikant besser sind als das, was man von einem Modell erwarten würde, das einfach nur rät. Über das richtige Erraten der Richtung hinaus hob die Studie hervor, dass der Computer in der Lage war, spezifische Gründe hinter den Trends zu identifizieren, wie etwa die Erwähnung der Auswirkungen eines neuen Konkurrenzprodukts oder der potenziellen Bedrohung durch die Technologie selbst. Dies deutet darauf darauf hin, dass das Modell nicht nur Muster abglich, sondern tatsächlich den Kontext und die Nuancen der öffentlichen Konversation interpretierte.
Die Studie kommt zu dem Schluss, dass dieser Ansatz, der ungelernte künstliche Intelligenz nutzt, um die Stimmung in sozialen Medien zu lesen, echtes Potenzial für das Verständnis von Marktbewegungen besitzt. Die Forscher betonen, dass sie nicht Monate damit verbringen mussten, die Daten zu bereinigen oder dem Computer spezifische Finanzformeln beizubringen. Indem sie das Modell einfach die rohen Meinungen der Öffentlichkeit lesen ließen, konnten sie ein Signal erfassen, das mit realen finanziellen Ergebnissen korrelierte. Obwohl die Studie auf einen spezifischen Satz von Tweets und einen kurzen Zeitraum begrenzt war, legen die Ergebnisse nahe, dass die Fähigkeit dieser fortgeschrittenen Sprachmodelle, menschliche Emotionen und Kontexte zu verstehen, zu einem wertvollen Werkzeug für die Finanzprognose werden könnte, das einen neuen Weg bietet, der Stimme des Marktes zuzuhören.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.