Please use this identifier to cite or link to this item: http://hdl.handle.net/11144/5478
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSilva, Mário Marques da-
dc.contributor.advisorSabino, André-
dc.contributor.authorAlmeida, Inês Gonçalves Saúde de-
dc.date.accessioned2022-06-22T11:30:07Z-
dc.date.available2022-06-22T11:30:07Z-
dc.date.issued2022-06-07-
dc.identifier.urihttp://hdl.handle.net/11144/5478-
dc.description.abstractAtualmente, as redes sociais fazem parte do nosso quotidiano. É nestas que os utilizadores expressam as suas opiniões através de publicações, comentários e gostos/reações. As informações publicadas pelos utilizadores podem ter impacto na sua comunidade virtual, e assim nasce o conceito de influencer (i.e., influenciador). Normalmente cada influencer focase num determinado um assunto (como moda, saúde, bem-estar, beleza, finanças etc.) nas redes sociais sendo que a sua opinião impacta os utilizadores que a leem. Sendo um conceito que abrange diversas áreas, também existem influencers no mercado financeiro sendo estes perfis de utilizadores cuja análise de sentimento do conteúdo produzido está correlacionada com a volatilidade das ações de uma empresa. Os utilizadores que investem na Bolsa de valores utilizam a rede social Twitter como principal fonte para exprimir as suas opiniões sobre as ações. Os tweets realizados expressam um sentimento “Positivo”, “Negativo” ou “Neutro” sobre aquela ação. Com esta dissertação pretende-se identificar o perfil de um influencer assim como analisar o impacto dos seus tweets no valor da ação em estudo. Para a descoberta dos valores que melhor descrevem o perfil de influencer para o mercado financeiro recorreu-se ao Algoritmo genético. Sendo este tema foco de várias pesquisas nesta dissertação também foi produzida uma comparação entre técnicas de análise de sentimento, aplicadas ao conteúdo de redes sociais, produzido por potenciais influencers. Os métodos de análise de sentimento utilizados foram SVM, Neural Network, Naive Bayes, kNN (k-nearest neighbors). Após a análise dos resultados o método com o melhor resultado foi a Neural Network, com exatidão (accuracy) de 99,0 % para os tweets em estudo. O resultado da análise de sentimento produzida pela Neural Network foi utilizado como parâmetro para análise dos tweets dos influencers. Mas antes desta análise foi necessário detetar os parâmetros e respetivos valores que definem um utilizador influencer. Para essa deteção recorreu-se ao Algoritmo genético. Os resultados obtidos foram interessantes, já que ao realizar um caso estudo com utilizadores que constituem a solução obtida pelo Algoritmo genético é possível verificar o sentimento expresso nos tweets dos utilizadores estão de acordo com a alteração do valor da cotação da ação para estratégias de curta duração.pt_PT
dc.language.isoporpt_PT
dc.rightsopenAccesspt_PT
dc.subjectAbordagem Híbridapt_PT
dc.subjectAnálise de sentimentopt_PT
dc.subjectInfluencerspt_PT
dc.subjectLexicon-basedpt_PT
dc.subjectMachine Learningpt_PT
dc.subjectMercado financeiropt_PT
dc.subjectTwitterpt_PT
dc.titleClassificação de influencers de mercados financeiros em redes sociaispt_PT
dc.typemasterThesispt_PT
thesis.degree.nameDissertação de mestrado em Engenharia Informática e de Telecomunicaçõespt_PT
dc.subject.fosDomínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informáticapt_PT
dc.identifier.tid...pt_PT
Appears in Collections:DCT - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
Dissertacao_Inês_Goncalves_Saude_Almeida_.pdf1,31 MBAdobe PDFThumbnail
View/Open


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpaceOrkut
Formato BibTex mendeley Endnote Logotipo do DeGóis Logotipo do Orcid 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.