AI-based sentiment stock indicator
Succesvol project over de invloed van grote hoeveelheden data en aandelen. Een volledig geautomatiseerde edge-computing aandelenhandelaar, toegewijd aan het herkennen van “Short Squeezes”.
- Datum: 2 december 2021
- Doorlooptijd: Drie maanden
- Project Type: Voorspellen
- Team: Samenwerking met klant
- Kracht: Drie werknemers
- Technieken: Tensorflow, Go-lang, C++
Over dit project
Een “Short Squeeze” is het effect dat een aandeel plotseling een grote sprong omhoog maakt waardoor bellegers die speculeren over een verdere koersdaling gedwongen worden om het aandeel te verkopen.
In theorie zouden we met grote hoeveelheden (menselijke) data een “Short Squeeze” kunnen herkennen maanden voordat het gebeurd.
Voor een van onze klanten mochten we deze theorie in de praktijk brengen. Dit artikel is goed gekeurd door de klant. We laten een aantal details (zoals onze data-bronnen) weg.
Dit project bestond uit de volgende onderdelen:
- Bronnen onderzoek
- Data scraping
- Data analyse
- AI implementatie
- Back-testing
- API koppeling met broker
- Testen
Een bijzonder project voor RVB Digital, wij zijn niet gespecialiseerd in data-analyses en dit project was enorm leerzaam.
Data aggregatie
Het project is begonnen met een onderzoek onze bronnen. De bronnen bestonden uit forums, blogs en andere websites waar menselijke reacties op kwamen.
Wanneer de data was goedgekeurd door de klant heeft RVB Digital de software geschreven die data geautomatiseerd opslaat in een database. Deze data is nog niets waard aangezien context van belang is. Dit was onze volgende stap, software schrijven die ook de context van de data toevoegt. Context is bijvoorbeeld over welk aandeel het gaat, maar het gaat nog veel verder als dat. We kunnen bijvoorbeeld zien of de data “serieus” is en hoe agressief/vriendelijk/informatief de data is. De data blijft menselijk en zal dus ook emotie bevatten, context en waarde van deze data is enorm belangrijk en uiteindelijk zal dit grotendeels het succes van dit project bepalen
Kunstmatige intelligentie
Om meer context aan de data te geven, moesten we creatief worden. Het plan was om de data te classificeren met bestaande AI-modellen, dit zijn getrainde kant-en-klaar pakketten die in de software toegevoegd kunnen worden. Een goed voorbeeld is “sentiment analyse”, een tekst-classifier die getraind is op film-reviews en hieruit kan herleiden of een reactie positief is of negatief. Na het implementeren van een kant-en-klaar model waren we teleurgesteld met het resultaat. Het gaf alleen aan of de context positief of negatief was, dit was voor ons minimaal.
Na overleg met de klant hebben we onze eigen dataset aangemaakt, dit is makkelijker gezegd dan gedaan. Het maken van een eigen dataset bestond uit 50.000+ reacties lezen en deze handmatig classificeren op verschillende onderwerpen. Een voorbeeld van classificaties:
Hoe informatief was de reactie? (0-10)
Hoe agressief was de reactie? (0-10)
Hoeveel ervaring heeft de gebruiker van deze reactie met aandelen? (0-10)
Gelukkig hebben we dit niet alleen hoeven doen en hebben we met Mturk van Amazon het meeste werk uitbesteed.
Na het trainen van dit model, was het resultaat een groot succes. De data die we geautomatiseerd binnen kregen, werd geautomatiseerd geclassificeerd en in onze database opgeslagen.
De data was betrouwbaar geclassificeerd.
Strategie & testen
Nu moesten we met deze data een strategie bepalen wanneer de bot automatisch zal kopen en verkopen en deze strategie testen tegenover historische data. Na overleg met de klant hebben we besloten hier geen informatie over vrij te geven. Het doel van onze strategie was om op een laag risico in te kopen, te wachten en te verkopen nadat er een “Short-Squeeze” zich had voltrokken, of nadat de kans op een “Short-Squeeze” te klein werd.
Nadat de testen succesvol waren moest er een koppeling komen met een broker. We hebben besloten om de Alpaca broker te kiezen, omdat de klant bekend was met deze broker én ze geautomatiseerd bots toelieten.
Uiteindelijk kocht en verkocht onze bot dagelijks aandelen op de echte markt, een succes voor onze klant en voor ons!
Resultaat
De bot is gemaakt om maanden te “leren” en eigenlijk verwachtte we pas een succesvol resultaat na minstens één jaar.
In de maand juli ’21 heeft de bot voor het eerst, succesvol de eerste “Short Squeeze” voorspeld op aandelen die de bot voor het eerst kocht in december.
Dit gaf het portfolio een verhoging van meer dan 110%. Alhoewel dit nog helemaal niets zegt over de betrouwbaarheid van dit systeem, zijn we enorm trots dat het systeem winst maakt (voor nu)!
De afbeelding hieronder is een schermopname van het portfolio.
Remote asset tracking - Hoogwaardige producten
Een end-to-end monitor voor hoogwaardige producten die erg gevoelig zijn voor trillingen, water of radiatie bijvoorbeeld. In samenwerking met een leverancier is dit product tot stand gebracht en wordt het actief gebruikt in “freight tracking”.
Milieu-monitoringsysteem voor booreilanden
Grootschalig monitoringssysteem voor boorplatformen. Verzameld modulair de gegevens van verschillende sensoren (CO2, N2 etc.) via een LoRa gateway en zet deze door naar een cloud-omgeving waar analyses gedaan kunnen worden.
Sentimentanalyses van aandelenkoersen API
Verzameld geautomatiseerd menselijke interacties op het internet over bepaalde aandelen en bepaald aan de hand van een sentimentanalyse of het aandeel positief door het publiek wordt benaderd. Via een API kan het gemakkelijk gekoppeld worden.