Leveraging Sentiment Analysis and Artificial Intelligence for Stock Market Prediction

Abstract

Esta tesis explora la integración del análisis de sentimiento y las tecnologías de inteligencia artificial (IA) en la predicción del mercado de valores y la gestión de carteras. A través del análisis del sentimiento obtenido de diversas fuentes, como conferencias de resultados, informes de analistas, noticias y tweets, y empleando algoritmos de Deep Learning (DL) y modelos de lenguaje (LLMs), la investigación evalúa la efectividad de técnicas avanzadas de extracción de sentimiento y su impacto en la predicción de tendencias de precios de acciones.

El estudio también aborda la aplicación de estrategias impulsadas por IA para la gestión de carteras de acciones, comparando los asesores automatizados Roboadvisors con los nuevos agentes financieros autónomos (AFAs) basados en LLMs. Se pone un énfasis especial en el papel de la ingeniería de prompts para mejorar el rendimiento de los modelos de IA en la toma de decisiones financieras. A través de análisis empíricos y estudios de caso, la investigación demuestra el potencial del análisis de sentimiento y los enfoques basados en IA para mejorar las predicciones y optimizar el rendimiento de las carteras.

Los resultados contribuyen a un cuerpo creciente de literatura que conecta los campos de las finanzas y la IA, ofreciendo nuevas perspectivas sobre cómo estas tecnologías pueden moldear el futuro de la predicción del mercado de valores y la gestión de carteras. La tesis concluye con discusiones sobre las implicaciones éticas y las tendencias futuras en el uso de IA en finanzas, proporcionando recomendaciones para investigaciones futuras en este dominio en rápida evolución.

This thesis explores the integration of sentiment analysis and artificial intelligence (AI) technologies in stock market prediction and portfolio management. By analyzing sentiment derived from multiple sources, including earnings calls, analyst reports, news, and tweets, and using Deep Learning (DL) algorithms and language models (LLMs), the research evaluates the effectiveness of advanced sentiment extraction techniques and their role in predicting stock price trends.

The study also addresses the application of AI-driven strategies for stock portfolio management, comparing automated financial advisors (Robo-advisors) with new autonomous financial agents (AFAs) based on LLMs. Special emphasis is placed on the role of prompt engineering to enhance the performance of AI models in financial decision making. Through empirical analysis and case studies, the research demonstrates the potential of sentiment analysis and AI-based approaches to improve predictions and optimize portfolio performance.

The results contribute to a growing body of literature that connects the fields of finance and AI, offering new perspectives on how these technologies can shape the future of stock market prediction and portfolio management. The thesis concludes with discussions on the ethical implications and future trends in the use of AI in finance, providing recommendations for future research in this rapidly evolving domain.