1. +
グループミーティング
@zakktakk

2. +
本⽇の発表内容
⾦融テキストマイニング
Ø Web上の⼤量のテキスト情報と市場変動の関連性を分析
（⾦融テキストマイニング 研究の紹介，和泉潔）
Ø 対象となるテキストのリソースは量，質ともに様々
Ø 経済指標などの数値情報では指標化されていない情報を
テキストから素早く⾃動的に抽出することが期待される

3. +
研究例：Twitter
Bollenらの研究(2011)
Ø ユーザの⼼的状態を明⾔している投稿のみを
分析対象とする
Ø テキストの内容から平穏・警戒・確信・活気・
善意・幸福の6次元の尺度を計算
GPOMS指数
Ø GPOMS指数とダウ平均株価指数の因果性を検定
◯ ⼿法
◯ 結果
Ø 「平穏」の尺度と株価に因果性があった
Ø 翌⽇の株価の騰落の⽅向性を86.7%の精度で予測
(テキスト情報を⽤いない場合は73.3%の精度)
“I am”とか”I feel”が含まれた投稿を
⼼的状態を明⾔している投稿とみなす

4. +
研究例：Twitter
Ruizらの研究(2012)
◯ ⼿法
Ø ツイート情報からツイート・ユーザ・ハッシュタグ
・URLをノード，RT・引⽤・作成をリンクとするグ
ラフを構築
実際は企業名をハッシュタグに⽤い
ているツイートを分析対象とする

5. +
研究例：Twitter
Ruizらの研究(2012)
◯ ⼿法
@Sony @ColumbiaRecords
@SonyPictures
#DontBreathe
thestoneroses.org
ew.com/article/2016/0…
Ø ツイート情報からツイート・ユーザ・ハッシュタグ
・URLをノード，RT・引⽤・作成をリンクとするグ
ラフを構築
実際は企業名をハッシュタグに⽤い
ているツイートを分析対象とする

6. +
研究例：Twitter
Ruizらの研究(2012)
◯ ⼿法
Ø ツイート情報からツイート・ユーザ・ハッシュタグ
・URLをノード，RT・引⽤・作成をリンクとするグ
ラフを構築
⾏動基準の特徴量
グラフ特徴量
・ノード数
・エッジ数
・連結要素数
・ツイート数
・ツイートしたユーザ数
・RT数
・RTしたユーザ数
・ユーザに⾔及したツイート数
・URLを引⽤したツイート数
Ø グラフ構造を表す指標と対象とする銘柄の翌⽇の価
格の変化率や取引⾼との相関を分析
◯ 結果
Ø グラフの連結要素数と取引⾼に正の相関関係
Ø 価格の変化率と相関のある指標は発⾒できず
どの銘柄の取引されやすいかは予測できるが，
株価が上昇するか下落するかはわからない
実際は企業名をハッシュタグに⽤い
ているツイートを分析対象とする

7. +
研究例：掲⽰板
丸⼭らの研究(2008)
Ø 各個別銘柄の掲⽰板から特徴量を抽出
◯ ⼿法
◯ 結果
Ø 3つの指標とボラリティ・取引⾼には有意な
相関関係が⾒られたが，変化率との相関はなし
・投稿数
・全投稿の強気⽐率
・⼀定期間内の強気 or 弱気投稿数の
偏り
Ø 3つの指標と翌⽇の価格の変化率・ボラリティ
(価格変動の標準偏差)・取引⾼の相関を分析
どの銘柄の取引されやすいかは予測できるが，
株価が上昇するか下落するかはわからない

8. +
研究例：ニュース
Schumakerらの研究(2010)
Ø Yahoo! Financeの記事から⽶国の個別銘柄の
20分後の株価動向を予測
Ø あらかじめ株価関連⽤語の辞書を作成しておき，
各記事に⽤語がどれだけ出現するかを⾒る
Ø 個別銘柄の株価の変化をサポートベクタ回帰を
⽤いてモデル化
◯ ⼿法
◯ 結果
Ø S&P 500 (⼤型株500銘柄から算出された株価指数)
の構成銘柄で運⽤しているクオンツ・ファンドより
も運⽤成績が良い (8.5%のリターン)
Ø 20分後に1%以上の株価変動が起きると予測された
銘柄の売買を⾏う
良い結果のように⾒えるが，実際は条件を
かなり限定した⽐較を⾏っている

9. +
研究例：経済レポート
和泉らの研究(2011)⾦融経済⽉報 (2015年12⽉)
Ø ⽇銀の発⾏する⾦融経済⽉報をテキストマイニング
◯ ⼿法
◯ 結果
Ø ⽂章から経済関連単語を抽出し，さらに主成分分析
により30個の特徴量を抽出
Ø 重回帰分析で特徴量と国債市場の価格データの関係
を表す回帰式を求める
Ø 価格の⼤幅な⾼騰や下落など，市場が⼤きく動く時
の予兆を抽出できた
Ø 国債市場での運⽤テストでは数値データを使った
回帰よりも⾼い運⽤益を得た