Análisis del sentimiento social y rendimiento bursátil mediante modelos transformer y grafos

Resumen

El crecimiento de las redes sociales ha transformado la manera en que los inversionistas reaccionan ante la información financiera difundida en plataformas como X (Twitter), impulsando nuevas metodologías para el análisis bursátil. En este contexto, la presente investigación analizó la relación entre el sentimiento social y el rendimiento bursátil mediante modelos Transformer y la base de datos de grafos en memoria Grafeo. Se empleó un enfoque cuantitativo y correlacional utilizando el conjunto de datos Stock Tweets for Sentiment Analysis and Prediction de Kaggle, correspondiente al periodo comprendido entre septiembre de 2021 y septiembre de 2022. La metodología integró procesamiento de lenguaje natural, clasificación automática de sentimiento y consultas Cypher sobre una infraestructura orientada a grafos. Los resultados evidenciaron una correlación positiva moderada entre el sentimiento optimista y las subidas bursátiles (r = 0.3318), así como una correlación inversa entre el sentimiento negativo y las caídas del mercado (r = −0.3048). Durante escenarios de alta volatilidad superiores al 2.0 %, dichas correlaciones aumentaron hasta r = 0.4025 y r = −0.3926, respectivamente. Además, el sentimiento negativo presentó una persistencia temporal 51.3 % mayor que el optimismo. En el análisis computacional, Grafeo resolvió las relaciones complejas en 2 minutos con 58 segundos, frente a los 40 y 30 minutos registrados por Pandas y Polars, reduciendo el tiempo de ejecución en más de un 90 % respecto a Pandas. Se concluye que la integración de modelos Transformer y grafos en memoria permite analizar eficientemente relaciones complejas entre sentimiento social y comportamiento bursátil.