Retail Investor Online Activity - Utilizing Wallstreetbets Data to Predict Returns

Abstract

Denne oppgaven undersøker hvorvidt aktivitet og sentiment på forumet Wallstreetbets har prediktiv evne på aksjers avkastning. Sentimentvariablenen som brukes tar utgangspunkt i en supervised maskinlæringsalgoritme som bruker tekst fra poster og kommentarer for å estimere sentiment, mens aktivitetsvariabelen baserer seg på hvor ofte tickere nevnes i poster og kommentarer.

Vi bruker aktivitets- og sentimentvariablene til å predikere ukentlige abnormal aksjeavkastning. Vi finner at både sentiment- og aktivitetsnivåer på Wallstreetbets har prediktiv evne på risikojustert avkastning utover hva som kan forklares av tidligere risikojustert avkastning, volatilitet, omsetning, omfang av shortsalg, samt bid-ask spreader.

Basert på resultatene presenterer vi flere handelsstrategier. Strategiene viser seg å gi signifikant positiv risikojustert avkastning over tradingperioden som undersøkes.

This study investigates whether sentiment- and activity levels based on posts and comments on Wallstreetbets can predict stock returns. The sentiment measure is formed using a supervised machine learning algorithm based on the corpus of posts and comments mentioning tickers, while the activity level is based on the mentioning of tickers in posts and comments on the forum.

The activity and sentiment variables are used to predict weekly abnormal stock returns. We find both sentiment and activity levels to provide predictive power on returns even after controlling for lagged metrics of abnormal returns, volatility, trading volumes, short interest, and bid-ask spreads.

Based on the results, we form trading strategies utilizing the weekly regression results to make weekly trades. The strategies are found to provide significant abnormal returns after transaction costs.