РОЗРОБКА СЕРВІСУ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ НОВИН НА ЗМІНУ ЦІН ФІНАНСОВИХ ІНСТРУМЕНТІВ

Abstract

Ця стаття висвітлює нагальну потребу в ефективних інструментах аналізу фінансового ринку в епоху великих даних та штучного інтелекту. Ми представляємо новий програмний сервіс, який інтегрує аналіз настроїв новин у реальному часі з прогнозуванням ринку акцій, покращуючи точність та швидкість прийняття торгових рішень. Система використовує API для збору даних, Fin BERT для аналізу настроїв та Mongo DB для зберігання даних, усуваючи обмеження існуючих платформ, таких як Investing.com та Market Watch. Наша методологія поєднує аналіз настроїв із авторегресійними моделями для прогнозування цін акцій 11 основних компаній. У експерименті було використано 141 спостереження, де застосовувалися моделі множинної регресії та бінарних результатів. Результати показують, що інвесторські настрої значно впливають на ціни акцій для 2 із 11 компаній, причому для Meta коефіцієнт детермінації зміни напрямку цін на основі настроїв досягає 70%. Дослідження виявляє, що врахування як кількісних (попередні ціни акцій), так і якісних (настрої) даних покращує точність прогнозування для певних акцій. Це дослідження робить внесок у сферу фінансової аналітики, пропонуючи більш комплексний підхід до прогнозування цін акцій, що інтегрує моделі машинного навчання та аналітику даних для підтримки обґрунтованих рішень у динамічних фінансових ринках. This paper addresses the critical need for efficient market analysis tools in the era of big data and artificial intelligence. We present a novel software service that integrates real-time news sentiment analysis with stock market prediction, enhancing the accuracy and speed of trading decisions. The system employs APIs for data collection, FinBERT for sentiment analysis, and MongoDB for data storage, overcoming limitations of existing platforms like Investing.com and MarketWatch. Our methodology combines sentiment analysis with autoregressive models to forecast stock prices for 11 major companies. The experiment utilized 141 observations, applying multiple regression and binary outcome models. Results demonstrate that investor sentiment significantly affects stock prices for 2 out of 11 companies, with Meta showing a 70% determination coefficient in price direction changes based on sentiment. The study reveals that incorporating both quantitative (previous stock prices) and qualitative (sentiment) data improves forecast accuracy for certain stocks. This research contributes to the field of financial analytics by providing a more comprehensive approach to stock price prediction, integrating ML models and data analytics to support informed decision-making in dynamic financial markets.