Twitter sentiments for high frequency trading

Abstract

Twitter has become an influential source for news which can have impact on market behaviour, with many users monitoring news agency feeds directly without editorial reviews. Headlines from central bank leaders as well as top government officials can have significant impact on the markets. In this thesis we examined whether there is any correlation between a group of tweets quoting the same headline and measurable differences in the market before and after a given headline. Can this help high frequency trading firms to tune their strategies by filtering important headlines from the vast ocean of headlines by decreasing exposure when market making? In this thesis tweets were grouped by the number of references to the headline limited to 1 hour.We compared ratios of trading measurements before and after the headlinecame out. We trained a Recurrent Neural Network (RNN) using Long ShortTerm Memory (LSTM) cells telling us if the sentiment in the headline affects the US treasury futures or the SP 500 stock market future. We found that training initially on datasets that started trending after causing a noticeable initial reaction in the market helped the neural network to classify tweets as impact-full or not. Training a network that can take in a live feed from Twitter and other news agencies sources can help high frequency trading firms react automatically to incoming headlines.

Twitter er byrjað að vera áhrifamikil upptök frétta sem geta haft áhrif á markaðs hegðun þar sem margir notendur fylgjast með frétta veitum ogtweeta beint án ritstýringar. Fyrirsagnir frá stjórnendum seðlabanka semog háttsettra stjórnmála fólks getur haft mikil áhrif á markaðinn. Í þessari ritgerð skoðum við fylgni þess að hópur fólks tweetar um fyrirsögn og mælanlegrar breytingar í hegðun á markaðnum fyrir og eftir fyrirsögnina. Getur þetta hjálpað hátíðni viðskipta fyrirtækjum að stylla algrímin sín sjálfvirkt með því að sigta út mikilvægar fyrirsagnir úr stóra hafinu af fréttum með því að minnka stærðir hjá viðskiptavökum? Í þessari ritgerð þá voru tweets flokkuð eftir hversu mikla umfjöllun þau fengu næsta klukkutímann. Við bárum saman hlutföll á markaðs mælingum fyrir og eftir fyrirsögnina. Við þjálfuðum enturtekið tauganet "Recurrent neural network (RNN)" og notuðum "Long short term memory cells (LSTM)" til að segja okkur hvort að fyrirsagnir munu hafa áhrif á Bandarísku skuldabréfa framtíðar samningana eða "SP 500" hlutabréfa vísitölu framtíðar samninginn. Við komumst að því að þjálfa tauganetið upphaflega á gagnasafni af tweetum sem fengu mikla umfjöllun og höfðu sjáanleg áhrif á markaðinn, hjálpaði tauganetinu að ákveðahvort að ný tweets hefðu áhrif á markaðinn eða ekki. Að þjálfa tauganet sem getur tekið við beinu streymi af tweetum og öðrum fréttaveitum getur hjálpað hátíðni viðskipta fyrirtækjum að bregðast sjálfkrara við nýjum fyrirsögnum.