SOSYAL MEDYADAKİ FİNANS İÇERİKLİ GÖNDERİLERDEN DUYGU SINIFLANDIRMASI

Abstract

Günümüz dijital çağında sosyal medya, finansal piyasalarda yatırımcı davranışlarını ve piyasa trendlerini anlamak için önemli bir veri kaynağı haline gelmiştir. Bu çalışmada, Twitter verileri ve borsa hisselerinin fiyatları kullanılarak sosyal medya içeriklerinin finans piyasaları üzerindeki etkileri incelenmiş ve bu etkilerin duygu temelli analizlerle piyasa üzerinde nasıl kullanılabileceği değerlendirilmiştir. 2023 yılı Temmuz ayından 2024 yılı Temmuz ayına kadar #xu100 ve #bist100 etiketleriyle toplanan 10.505 tweet, yorum sayısı, retweet, beğeni, görüntüleme sayısı, zaman, tarih ve hisse fiyatı gibi özelliklerle birlikte analiz edilmiştir. Doğal dil işleme (DDİ) teknikleri kullanılarak her bir tweet pozitif, negatif ve nötr olarak sınıflandırılmıştır. Sonuçlar, pozitif duygu içeren tweetlerin hisse fiyatlarında artış, negatif duygu içerenlerin ise düşüş eğiliminde olduğunu göstermektedir. LSTM ve GRU modelleri ile üçlü sınıflandırma yapılmış; üçlü sınıflandırma modellerinde eğitim doğruluğu yüksek olmasına rağmen test doğruluğunda aşırı öğrenme problemi gözlemlenmiştir. Model performansları kesinlik, duyarlılık ve F1 skoru ile değerlendirilmiş; negatif sınıfların tanımlanmasında zorluklar olduğu belirlenmiştir. Bu bulgular, finansal piyasa hareketlerinde duygu sınıflandırmasının potansiyelini ortaya koymakta ve gelecekteki model geliştirmeleri için öneriler sunmaktadır.

In today's digital era, social media has become an important data source for understanding investor behavior and market trends in financial markets. In this study, Twitter data and stock prices were used to examine the impact of social media content on financial markets, and the potential use of sentiment-based analysis in influencing the market was evaluated. A total of 10,505 tweets tagged with #xu100 and #bist100 were collected from July 2023 to July 2024 and analyzed along with features such as comment count, retweets, likes, views, time, date, and stock price. Using Natural Language Processing (NLP) techniques, each tweet was classified as positive, negative, or neutral. The results indicated that tweets with positive sentiment were associated with increases in stock prices, while tweets with negative sentiment showed a tendency toward declines. Three-class classification was conducted using LSTM and GRU models; although training accuracy was high in three-class classification models, an overfitting problem was observed in test accuracy. Model performance was evaluated using precision, recall, and F1 score metrics, and difficulties were identified in recognizing negative classes. These findings highlight the potential of sentiment classification in tracking financial market movements and provide suggestions for future model improvements.