Exposure of Bank Run to Social Media: Predicting bank stock market losses from Twitter and YouTube conversation

Abstract

Predicting stock market movements, particularly losses in bank stocks, is a complex and multifaceted challenge influenced by a myriad of factors. This thesis delves into the intricate relationship between social media sentiment and bank stock market performance, with a specific focus on identifying potential predictors of stock market losses from social media conversations. The study aims to explore how market sentiment, as reflected in social media discussions, can serve as an early warning system for bank stock market losses. The primary objective is to analyze the sentiment of tweets related to bank stocks, focusing on periods of bank runs or financial distress. Using advanced sentiment analysis techniques, the study retrieves and examines the polarity of tweets over these critical periods. By highlighting temporal trends in negative sentiments, the research investigates the extent to which pessimistic social media narratives contribute to immediate stock market declines. The findings of this research are anticipated to provide valuable insights into the predictive power of social media sentiment on bank stock market performance. By integrating sentiment analysis with financial data, the study seeks to contribute to the development of more accurate and timely forecasting models for financial markets. Ultimately, this thesis aspires to advance the understanding of how digital narratives and public perception shape financial realities, offering practical implications for investors, regulators, and policymakers in mitigating the risks associated with bank stock market losses. Furthermore, it underscores the importance of monitoring social media platforms as part of a comprehensive risk management strategy in the financial sector. This research highlights the potential of leveraging big data and machine learning techniques to enhance market surveillance and improve the resilience of financial systems against the volatility driven by public sentiment. ***

Pr´evoir les mouvements du march´e boursier, en particulier les pertes des actions bancaires, est un d´efi complexe et multifactoriel influenc´e par une myriade de facteurs. Cette th`ese explore la relation complexe entre le sentiment sur les r´eseaux sociaux et la performance du march´e boursier bancaire, en se concentrant sp´ecifiquement sur l’identification des pr´edicteurs potentiels des pertes du march´e boursier `a partir des conversations sur les r´eseaux sociaux. L’´etude vise `a explorer comment le sentiment du march´e, tel qu’il est refl´et´e dans les discussions sur les r´eseaux sociaux, peut servir de syst`eme d’alerte pr´ecoce pour les pertes du march´e boursier bancaire. L’objectif principal est d’analyser le sentiment des tweets li´es aux actions bancaires, en se concentrant sur les p´eriodes de ru´ee bancaire ou de d´etresse financi`ere. En utilisant des techniques avanc´ees d’analyse de sentiment, l’´etude r´ecup`ere et examine la polarit´e des tweets pendant ces p´eriodes critiques. En mettant en ´evidence les tendances temporelles des sentiments n´egatifs, la recherche examine dans quelle mesure les r´ecits pessimistes sur les r´eseaux sociaux contribuent `a des d´eclins imm´ediats du march´e boursier. Les r´esultats de cette recherche devraient fournir des informations pr´ecieuses sur le pouvoir pr´edictif des sentiments sur les r´eseaux sociaux concernant la performance du march´e boursier bancaire. En int´egrant l’analyse des sentiments avec les donn´ees financi`eres, l’´etude cherche `a contribuer au d´eveloppement de mod`eles de pr´evision plus pr´ecis et plus opportuns pour les march´es financiers. En fin de compte, cette th`ese aspire `a faire progresser la compr´ehension de la mani`ere dont les r´ecits num´eriques et la perception publique fa¸connent les r´ealit´es financi`eres, offrant des implications pratiques pour les investisseurs, les r´egulateurs et les d´ecideurs politiques dans l’att´enuation des risques associ´es aux pertes du march´e boursier bancaire. En outre, elle souligne l’importance de surveiller les plateformes de r´eseaux sociaux dans le cadre d’une strat´egie globale de gestion des risques dans le secteur financier. Cette recherche met en lumi`ere le potentiel de l’exploitation des big data et des techniques de machine learning pour am´eliorer la surveillance des march´es et renforcer la r´esilience des syst`emes financiers face `a la volatilit´e induite par les sentiments publics.