Sentimentvärde beräknat av VADER
4.2.3 Specifika tidsförskjutningar
I tabell 8 presenteras resultat för den linjära regressionsmodellen för förskjutning av sentiment med 16 timmar för alla veckor under insamlingsperioden. I tabell 9 redovisas den utökade modellen innehållande dummyvariabler för volym och i tabell 10 är räckvidden inkluderad.
För modellen utan kontrollvariabler, i tabell 8, har en tidsförskjutning om 16 timmar en signifikant effekt för alla veckor förutom för vecka 5, 8 och 9. Det finns en stor variation i förklaringsgraden för de olika veckorna där den högsta förklaringsgraden är nära 0,3 samtidigt som de lägsta, i likhet med tidigare resultat, ligger nära noll. Riktningskoefficienterna är övervägande positiva, för vecka 7 och 8 noteras dock ett negativt samband. Då sentimentet under vecka 7 har en signifikant effekt blir nu generella effekten av sentimentet aningen tvetydig.
När regressionsmodellen inkluderar dummyvariabler för volym, tabell 9, visar resultaten på fortsatta signifikanta p-värden för sentiment för en majoritet av veckorna och liknande storlek och variation på förklaringsgraderna. Dummyvariablerna för volym har överlag icke signifikanta p-värden, med undantag för vecka 6 och 8. Regressionsmodellen innehållande räckvidd som kontrollvariabel, tabell 10, ger även den fortsatta signifikanta p-värden för
21 sentiment för en majoritet av veckorna och aningen förbättrade förklaringsgrader. Räckvidden har här signifikanta p-värden för hälften av de observerade veckorna, vilket kan indikera ett visst samband med USD/BTC-priset. Till följd av varierande resultat för olika veckor görs en vidare analys för specifika veckor med 16 timmars förskjutning.
Tabell 8: Fördröjning på 16 timmar utan kontrollvariabler
Fördröjning Koefficient vader
Justerat R2 Medelfel vader
p-värde vader Vecka Observationer
16 0,9424 0,2964 0,1127 2,3873E-14 6 168 16 1,0635 0,1674 0,1841 3,6449E-08 1 168 16 0,8719 0,1077 0,1948 1,40E-05 3 168 16 0,4841 0,0795 0,1278 0,0002 2 168 16 0,3933 0,0263 0,1859 0,0359 4 168 16 -0,1352 0,0242 0,0667 0,0443 7 168 16 0,1802 0,0158 0,1105 0,1047 9 168 16 0,0833 0,0157 0,0513 0,1060 5 168 16 -0,2040 0,0087 0,1687 0,2282 8 168
Tabell 8: p-värde < 0,01: , p-värde < 0,01:
Tabell 9: Fördröjning på 16 timmar med dummyvariabler för volym
Fördr-öjning Koeffici ent vader Justerat R2 Medelfel vader
p-värde vader p-värde låg dummy p-värde hög dummy Vecka Observ-ationer 16 1,4591 0,3955 0,1430 3,1228E-19 0,0011 4,8280E-05 6 168 16 0,5265 0,0596 0,1587 0,0011 0,6804 0,6151 2 168 16 -0,8613 0,0496 0,2969 0,0042 0,6202 0,0017 8 168 16 0,4385 0,0357 0,1561 0,0056 0,0483 0,1693 9 168 16 0,6300 0,1052 0,2473 0,0118 0,3336 0,2505 3 168 16 0,4975 0,0340 0,2432 0,0423 0,1817 0,1436 4 168 16 0,5333 0,1973 0,2692 0,0493 0,0120 0,1356 1 168 16 -0,2293 0,0130 0,1189 0,0557 0,3199 0,8099 7 168 16 0,1172 0,0037 0,0710 0,1007 0,2670 0,8705 5 168
Tabell 9: p-värde < 0,1: , p-värde < 0,05: , p-värde < 0,01:
Tabell 10: Fördröjning på 16 timmar med kontroll för räckvidd
Fördröjning Koefficient vader Justerat R2 Medelfel vader
p-värde vader p-värde räckvidd Vecka Observationer 16 1,1156 0,3141 0,1306 8,3697E-15 0,0129 6 168 16 1,2879 0,1654 0,2192 2,2685E-08 0,0003 3 168 16 1,0012 0,1588 0,2188 9,3172E-06 0,5974 1 168 16 0,5847 0,1108 0,1303 1,3458E-05 0,0056 2 168 16 0,5797 0,0333 0,2119 0,0069 0,0744 4 168 16 -0,1838 0,0338 0,0709 0,0104 0,0571 7 168 16 0,2021 0,0059 0,1167 0,0853 0,5563 9 168 16 -0,2897 0,0026 0,1897 0,1286 0,3246 8 168 16 0,0471 0,0111 0,0608 0,4397 0,2705 5 168
22
4.2.4 Specifika veckor
I figur 3 presenteras grafer för USD/BTC-pris för de två veckor med mest respektive minst signifikanta p-värden för 16 timmars fördröjning på sentiment. Alla veckor är volatila med stora upp och nedgångar, men de icke signifikanta veckorna 5 och 8 innehåller tydligare lodräta rörelser. Under vecka 5 kan en snabb ökning på 800 USD urskiljas 18/3 och under vecka 8 två lodräta rörelser på ca 500 USD 9/4 och 1000 USD 12/4.
Figur 3: USD/BTC-pris för de två veckor med mest (6 och 1) och de två veckor med minst (5 och 8) signifikanta p-värden
De icke signifikanta veckorna 5 och 8 undersöks igen med regressionsmodellen innehållande räckvidd som kontrollvariabel för att se på sambanden på justerade intervall där de lodräta rörelserna inte är med. De nya undersökta intervallen är blåmarkerade i figurer 4 och 5, med tillhörande nya resultat i tabeller 11 och 12. När de avvikande lodräta rörelserna inte är med resulterar det i signifikanta p-värden på 1%-nivå för vecka 5 och på 5%-nivå för vecka 8. Förklaringsgraden är fortfarande relativt låg för veckorna, och koefficienten för sentiment på vecka 8 är negativ till skillnad från de positiva värden som en majoritet av resterande veckor påvisar. P-värden för kontrollvariabeln räckvidd är för vecka 5 och 8 i likhet med de ojusterade veckorna inte signifikanta.
23 Figur 4: USD/BTC-pris för vecka 8
Figur 5: USD/BTC-pris för vecka 5
Tabell 11: Vecka 8 reducerad
Förskjutning Koefficient Justerat R2 Medelfel vader p-värde vader p-värde räckvidd Vecka Observationer 16 -0,1224 0,0715 0,0478 0,0132 0,4663 8 60 Tabell 11: p-värde < 0,05:
Tabell 12: Vecka 5 reducerad
Förskjutning Koefficient Justerat R2 Medelfel vader p-värde vader p-värde räckvidd Vecka Observationer 16 0,1879 0,0992 0,0628 0,0034 0,7063 5 120 Tabell 12: p-värde < 0,01: 6500 6700 6900 7100 7300 7500 7700 7900 8100 8300 8500
Vecka 8
7000 7500 8000 8500 9000 9500 10000Vecka 5
24 Då de lodräta rörelserna resulterade i icke signifikanta p-värden för regressionsmodellen med 16 timmars fördröjning undersöks sentiment och pris för de rörelserna närmare. I tabell 13 visas sentiment och pris för de lodräta rörelserna för vecka 5 och 8. Skillnaden i pris kan observeras för de datumen med plötsliga förändringar med tillhörande värden på sentiment. Medelvärde för sentiment under hela tidsperioden är 1123, och ur tabell 13 kan det urskiljas att vid uppgångarna 18/3 och 12/4 stiger sentiment över detta medelvärde timmen innan den stora prisförändringen sker. Omvänd effekt kan urskiljas vid nedgången 9/4. Den 18/3 kan även en tydligen nedgång observeras klockan 22.00.
Datum Sentiment Pris (USD)
2018-03-18 20:00 1121 7457 2018-03-18 21:00 1314 7652 2018-03-18 22:00 605 8231 2018-04-09 10:00 1205 7165 2018-04-09 11:00 1063 7081 2018-04-09 12:00 1070 6783 2018-04-12 11:00 1120 6850 2018-04-12 12:00 1509 6930 2018-04-12 13:00 1684 7725
25
5. Diskussion
Resultaten av denna studie tyder på att det finns ett samband mellan sentiment om Bitcoin och Bitcoins prisutveckling, sambandet ser dock ut att vara mycket svagt. Det starkaste sambandet kunde urskiljas vid en 16 timmars tidsförskjutning av sentimentet, dock med det genomsnittliga R2-värdet endast marginellt större än resterande signifikanta fördröjningar. Därtill så varierade resultaten mycket från vecka till vecka vilket gör att det svårt att dra generella slutsatser kring det samband som kunde urskilja.
Riktningskoefficienterna i de undersökta modellerna för 16 timmars tidsförskjutning är övergripande positiva vilket indikerar att höga värden på sentimentet ger ett högt bitcoinpris medan något lägre sentiment resulterar ett aningen lägre pris. Eftersom det aggregerade sentimentet är genomgående positivt under den studerade perioden går det dock inte att med säkerhet uttala sig kring effekterna av NWOM, men att positivt WOM har ett positiv samband är ett resultat som stöds av tidigare studier.
Vidare är effekterna av sentimentet på Twitter fortsatt signifikanta efter kontroll av de två WOM-dimensionerna räckvidd och volym. Resultatet stödjer den tidigare forskning som menar att sentimentet är den mest tongivande aspekten av WOM. Samtidigt talar resultaten här emot de andra studierna som menar att volym WOM är den viktigaste aspekten; volymen WOM har här endast i enstaka falla en signifikant effekt i modeller tillsammans med sentimentet. Dock så finns det anledning att tro att volymen i denna studie har en indirekt effekt i de analyser som utförts, skälet till detta är den mycket stora korrelationen mellan sentimentet och volymen (0,8). Den stora korrelationen tros vara en effekt av den positiva biasen hos VADER kombinerat med aggregeringen av sentimenten under de enskilda timmarna. Räckvidden var signifikant vid fler tillfällen än volymen i modeller med sentimentet, den tillförda informationen leder då till en aningen högre förklaringsgrad för modellen. Att förklaringsgraden ökar kan anses som rimligt då större räckvidd innebär att den teoretiska publiken för budskapet blir större, vilket även stöds av slutsatser i tidigare forskning som menar att räckvidd har effekt i sambandsanalyser.
Den överlag svaga förklaringsgraden indikerar att det finns många faktorer som ej tas med i denna studie vilka påverkar bitcoinkursen. En sådan faktor skulle kunna vara det faktum att
26 Bitcoin handlas globalt och att tweets på enbart engelska exkluderar stora delar av världen. Exempelvis så sker 68% av den totala bitcoinhandeln i japansk yen, det finns alltså anledning att tro att en analys av japansk WOM kan innehålla mycket värdefull information.
De svaga sambanden kan även vara till följd av brister i sentimentanalysen där klassificering med verktyget VADER resulterade i flera missvisande fall efter manuell granskning. Exempelvis fanns svårigheter att avläsa ironi och att klassificera laddade branschspecifika ord korrekt. En annan svaghet med sentimentanalysen var att en absolut majoritet av tweets bedömdes som positiva, vilket kan ge en skevhet då det resulterade i variationer av aggregerat positivt WOM och frånvaro av negativt WOM. Tidigare studier pekar på skillnader i effekter av positivt och negativt WOM vilket även här hade varit intressant att undersöka närmare, men som blir omätbart i den här undersökningen till följd av det positiva aggregerade sentimentet. Den höga andelen neutrala tweets gör även att en stor del av tweets kopplat till Bitcoin inte tas med i beräkningarna, vilket leder till en mindre mängd data används som underlag för sambandsanalysen.
Den spekulativa miljö som omger Bitcoin gör att kursändringar kan ske plötsligt till följd av omvärldsfaktorer. En modell som bygger på fördröjt sentiment riskerar att bli missvisande vid tillfällen då hastiga kursändringar sker i korta tidsintervall. Under vecka 5 och 8, som hade icke signifikanta p-värden för sentiment enligt regressionsmodellerna, fanns sammanlagt tre lodräta rörelser i priset på Bitcoin, vilka bättre kan förklaras med en kvalitativ analys av omvärldsfaktorer. Förväntningar på införande av ökad reglering av kryptovalutor under G20-möte den 18e mars genomfördes inte, vilket av flera analytiker förklarar den plötsliga uppgången efter mötet (Young 2018) och den lodräta nedgången 9e april kan delvis förklaras av nya restriktioner som Google och Facebook införde gällande marknadsföring för kryptovalutor samt nya regleringar i Kina (Jagati 2018). Den hastiga uppgången 12e april förklarar vissa analytiker med att en studie publicerades som bedömde att handel av Bitcoin var förenligt med sharialagar, vilket resulterade i ett ökat intresse av den stora population muslimer i världen (Cuthbertson 2018).
I koppling till nyheterna kunde förändring i sentiment observeras timmen innan kursutveckling ägde rum. Detta skulle kunna indikera att världsnyheter av stor vikt för Bitcoins framtid vägs in i uppmätt sentiment mycket snabbt. Efter uppgången till följd av G20-mötet 18 mars kunde dock en stor nedgång av sentiment observeras, vilket är svårt att
27 förklara. Det är dock mycket troligt att det är nyheten i sig och inte sentimentet som ligger till grund för de kraftiga prisförändringarna då sentiment kommer till följd av nyheterna. I framtida studier kan det därför vara bra att kontrollera resultaten för sådana effekter. Värt att påpeka är att år 2018 är Twitter en av de främsta medierna för spridning av nyheter. Så även om det är en nyhet om ej genomföra regleringar som är den grundläggande förklaringen till prisökning, kan det vara word-of-mouth som påverkar magnituden och hastigheten av ökningen.
De plötsliga omvärldsfaktorer som påverkar priset gör det svårare att förutspå kursändringar med en modell som bygger på för lång fördröjning, vilket kan förklara att signifikanta p-värden för sentiment uppnåddes först efter att dessa lodräta förändringar exkluderats ur modellen. I likhet med tidigare studier som argumenterar för att se på kortare tidsintervall så kan aggregering av sentiment på ännu kortare period än timnivå vara värt att undersöka för att ta hänsyn till plötsliga omvärldsfaktorer.
28
6. Slutsats och vidare forskning
Det erhållna resultatet pekar mot att sentimentet på Twitter har en positiv påverkan för förändringen av Bitcoinkursen. I komplettering till tidigare studier påvisas här att samband även finns under kortare tidsintervallen på timnivå. Denna påverkan är signifikant även då det kontrolleras för de andra WOM-dimensionerna volym och räckvidd. Mellan de undersökta veckorna finns dock stora variationer i resultatet, både gällande förklaringsgrad och signifikans, vilket gör att generella slutsatser blir svåra att dra. Ur undersökningen går det heller inte att dra några slutsatser om hur negativt WOM påverkar Bitcoin då den underliggande datan endast innefattar positivt sentiment.
För vidare forskning så finns det flera viktiga aspekter att ta hänsyn till. Gällande sentimentanalys är det fördelaktigt att använda en metod som tar hänsyn till branschspecifika ord, väger in negativt WOM och har mer tillförlitlig klassificering än VADER. Då undersökningar för samband under kortare tidsintervall fortfarande är relativt outforskat så är det även intressant att se på ett ännu kortare intervall än vad som undersöktes i denna studie. Det är också av intresse att använda sig av fler källor från sociala medier för få en mer heltäckande bild av sentiment kopplat till Bitcoin. Då en majoritet av handel med Bitcoin sker i Asien så bör framtida studier ta hänsyn till asiatiska källor av sentiment relaterat till Bitcoin.
29
Referenser
Baker, M. & Wurgler, J. 2007, "Investor Sentiment in the Stock Market", The Journal of Economic
Perspectives, vol. 21, no. 2, pp. 129-151.
Baek, C. & Elbeck, M. 2015, "Bitcoins as an investment or speculative vehicle? A first look", Applied
Economics Letters, vol. 22, no. 1, pp. 30-34.
Bollen, J., Mao, H. and Zeng, X. (2011). Twitter mood predicts the stock market. Journal of
Computational Science, vol. 2, no. 1, pp.1–8.
Brito, J. & Castillo, A. 2013, "Bitcoin: A primer for policymakers", Policy: A Journal of Public
Policy and Ideas, vol. 29, no. 4, pp. 3–12.
Chen, H., De, P., Hu, Y. & Hwang, B. 2014, "Wisdom of Crowds: The Value of Stock Opinions Transmitted Through Social Media", The Review of Financial Studies, vol. 27, no. 5, pp. 1367–1403.
Chern, C., Wei, C., Shen, F. & Fan, Y. 2015, "A sales forecasting model for consumer products based on the influence of online word-of-mouth", Information Systems and e-Business Management, vol. 13, no. 3, pp. 445–473.
Cheung, C.M.K., Lee, M.K.O. & Rabjohn, N. 2008, "The impact of electronic word-of-mouth: The adoption of online opinions in online customer communities", Internet Research, vol. 18, no. 3, pp. 229–247.
Coinhills, 2018. “Most Traded National Currencies for Bitcoin”. Hämtad 2018-05-19 från
https://www.coinhills.com/market/currency/
Coinmarketcap.com, 2017. “Cryptocurrency Market Capitalizations”. Hämtad 2017-12-14 från https://coinmarketcap.com/
Colianni, S., Rosales, S., & Signorotti, M. 2015, “Algorithmic Trading of Cryptocurrency Based on Twitter Sentiment Analysis”, CS229 Project, Stanford.
30 Cuthbertson, Anthony. 2018. “Bitcoin was just declared ‘permissible’ in Islamic law”. Independent. Hämtad 2018-05-19 från https://www.independent.co.uk/life-style/gadgets-and-tech/news/bitcoin-islamic-law-muslims-cryptocurrency-market-permissible-sharia-news-price-surge-a8302761.html
Dellarocas, C., Zhang, X.(. & Awad, N.F. 2007, "Exploring the value of online product reviews in forecasting sales: The case of motion pictures", Journal of Interactive Marketing, vol. 21, no. 4, pp. 23–45.
Deloitte, Touche. 2008, “Most consumers read and rely on online reviews; companies must adjust”,
Tech report 2008
Gilbert, E. and Karahalios, K., 2010, Maj. Widespread Worry and the Stock Market. In Proceedings
of the Fourth International AAAI Conference on Weblogs and Social Media, pp. 59-65
Gonçalves, P., Araújo, M., Benevenuto, F. & Cha, M. 2013, "Comparing and combining sentiment analysis methods", In Proceedings of the first ACM conference on Online social networks, pp. 27-38
Hileman, G. and Rauchs, M. 2017, “2017 Global Cryptocurrency Benchmarking Study”. SSRN
Electronic Journal.
Hong, H., Kubik, J.D. & Stein, J.C. 2005, "Thy Neighbor's Portfolio: Word-of-Mouth Effects in the Holdings and Trades of Money Managers", The Journal of Finance, vol. 60, no. 6, pp. 2801–2824.
Hutto, C.J. & Gilbert, E.E. 2014. ”VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text”, In Eighth International Conference on Weblogs and Social Media, pp. 216-225.
Inc Twitter, 2018. “Tweet object — twitter developers”. Hämtad 2017-10-02 från
https://developer.twitter.com/en/docs/tweets/data-dictionary/overview/tweet-object
Jagati, Shiraz. 2018. “Bitcoin Drops Back Below $7000 As Institutional Money Continues to Flow In”. Cryptoslate. Hämtad 2018-05-20 från https://cryptoslate.com/bitcoin-below-7000/.
Kim, Y.B., Kim, J.G., Kim, W., Im, J.H., Kim, T.H., Kang, S.J. & Kim, C.H. 2016, "Predicting Fluctuations in Cryptocurrency Transactions Based on User Comments and Replies", PloS one, vol. 11, no. 8.
31 Kuper, Simon. 2007. “Tulipmania: Money, Honor, and Knowledge in the Dutch Golden Age”.
Financial Times. Hämtad 2018-05-21 från https://www.ft.com/content/8ad786dc-fe95-11db-bdc7-000b5df10621
Liu, Y. 2006, "Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue",
Journal of Marketing, vol. 70, no. 3, pp. 74–89.
Liu, Y. & Lopez, R.A. 2016, "The impact of social media conversations on consumer brand choices",
Marketing Letters, vol. 27, no. 1, pp. 1–13.
Luo, X. 2009, "Quantifying the Long-Term Impact of Negative Word of Mouth on Cash Flows and Stock Prices", Marketing Science, vol. 28, no. 1, pp. 148–165.
Martinez-Camara, E., Martin-Valdivia, M., Urena-Lopez, L. & Montejo-Raez, A. 2014, "Sentiment analysis in Twitter", Natural Language Engineering, vol. 20, no. 1, pp. 1–28.
Matta, M., Lunesu, I. & Marchesi, M., 2015. “Bitcoin Spread Prediction Using Social And Web Search Media”, In Proceedings of the 7th International Joint Conference on Knowledge Discovery,
Knowledge Engineering and Knowledge Management.
McAlister, L., Sonnier, G. & Shively, T. 2012, "The relationship between online chatter and firm value", Marketing Letters, vol. 23, no. 1, pp. 1–12.
McKinney, Wes. 2010. “Data Structures for Statistical Computing in Python”, In Proceedings of the
9th Python in Science Conference, pp. 51-56. Hämtad 2018-01-05 från
http://conference.scipy.org/proceedings/scipy2010/mckinney.html
Nationalencyklopedin, ”Digital Valuta”, Hämtad 2017-12-14 från
https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/digital-valuta
Nofer, M. & Hinz, O. 2015, "Using Twitter to Predict the Stock Market: Where is the Mood Effect?",
Business & Information Systems Engineering, vol. 57, no. 4, pp. 229–242.
Reagan, A.J., Danforth, C.M., Tivnan, B., Williams, J.R. & Dodds, P.S. 2017, "Sentiment analysis methods for understanding large-scale texts: a case for using continuum-scored words and word shift graphs", EPJ Data Science, vol. 6, no. 1, pp. 1–21.
32 Rosario, A., Sotgiu, F., de Valck, K. & Bijmolt, T.H.A. 2016, "The effect of electronic word-of-mouth on sales: a meta-analytic review of platform, product, and metric factors", Journal of
Marketing Research, vol. 53, no. 3, pp. 297–318.
RStudio Team (2015). “RStudio: Integrated Development for R”. Hämtad 2017-09-28 från
http://www.rstudio.com/
Russo, Camilla., Migliozzi, Blacki och Sam, Cedric. 2017. “This Is Where People Are Buying Bitcoin All Over The World”. Bloomberg. Hämtad 2018-05-19 från
https://www.bloomberg.com/graphics/2017-bitcoin-volume/
Shen, J., Najand, M., Dong, F. & He, W. 2017, "News and social media emotions in the commodity market", Review of Behavioral Finance, vol. 9, no. 2, pp. 148–168.
Sonnier, G.P., McAlister, L. & Rutz, O.J. 2011, "A Dynamic Model of the Effect of Online Communications on Firm Sales", Marketing Science, vol. 30, no. 4, pp. 702–716.
Strauß, N., Vliegenthart, R. & Verhoeven, P. 2016, "Lagging behind? Emotions in newspaper articles and stock market prices in the Netherlands", Public Relations Review, vol. 42, no. 4, pp. 548–555.
Sul, H.K., Dennis, A.R. & Yuan, L.I. 2016, "Trading on Twitter: Using Social Media Sentiment to Predict Stock Returns: Trading on Twitter", Decision Sciences, vol. 48, no. 3, pp. 454-488.
Söderberg, G. 2018. ”Är Bitcoin och andra kryptotillgångar pengar?”. Ekonomiska kommentarer,
Sveriges Riksbank, no. 5, pp.1-14.
TT. 2017. ”Bitcoin tar ännu ett steg in i finrummet”. Dagens Nyheter. Hämtad 2017-12-14 från
https://www.dn.se/ekonomi/bitcoin-tar-annu-ett-steg-in-i-finrummet/ Tweepy, 2018. ”Tweepy dokumentation”. Hämtad 2017-10-18 från
http://tweepy.readthedocs.io/en/v3.6.0
Vilpponen, A., Winter, S. & Sundqvist, S. 2006, "Electronic Word-of-Mouth in Online Environments: Exploring Referral Networks Structure and Adoption Behavior", Journal of Interactive Advertising, vol. 6, no. 2, pp. 8–77.
33 Xun, J. & Guo, B. 2017, "Twitter as customer's eWOM: an empirical study on their impact on firm financial performance", Internet Research, vol. 27, no. 5, pp. 1014–1038.
Young, Joseph. 2018. “Bitcoin Spikes 7% to $8,460 Overnight as Cryptocurrency Market Rebounds”.
CNN. Hämtad 2018-05-20 från https://www.ccn.com/bitcoin-spikes-7-to-8460-overnight-as-cryptocurrency-market-rebounds/
34
Appendix I
36
Appendix II
Tabell A1: VADER olika fördröjningar, medelvärde för olika veckor
Fördröjning Koefficient R2 medel Standardavvikelse R2 p-värde vader medel Standardavvikelse p-värde vader Medelfel p-värde vader 16 0.4114 0.0839 0.0995 0.0569 0.0789 0.1331 11 0.3775 0.0834 0.1047 0.1150 0.1652 0.1333 17 0.4095 0.0833 0.0962 0.0517 0.0734 0.1333 12 0.3841 0.0826 0.1009 0.0884 0.1156 0.1333 15 0.4030 0.0823 0.0999 0.0630 0.0795 0.1333 14 0.3976 0.0822 0.0992 0.0639 0.0773 0.1333 10 0.3679 0.0822 0.1055 0.1490 0.2485 0.1333 13 0.3884 0.0819 0.0989 0.0753 0.0982 0.1333 18 0.4041 0.0811 0.0894 0.0545 0.0865 0.1337 9 0.3626 0.0801 0.1029 0.1762 0.3046 0.1336 19 0.3963 0.0788 0.0842 0.0657 0.1117 0.1340 8 0.3563 0.0756 0.0984 0.2059 0.3462 0.1341 20 0.3790 0.0740 0.0759 0.0773 0.1307 0.1346 7 0.3613 0.0735 0.0954 0.2274 0.3872 0.1341 1 0.3700 0.0729 0.0913 0.2586 0.3695 0.1332 6 0.3635 0.0726 0.0942 0.2369 0.3811 0.1338 5 0.3670 0.0717 0.0922 0.2217 0.3126 0.1335 21 0.3597 0.0704 0.0693 0.1043 0.1868 0.1352 2 0.3648 0.0697 0.0910 0.2613 0.3230 0.1337 4 0.3632 0.0696 0.0906 0.2577 0.3378 0.1336 22 0.3473 0.0692 0.0650 0.1365 0.2478 0.1356 3 0.3613 0.0688 0.0898 0.2494 0.3033 0.1339 24 0.3236 0.0686 0.0641 0.2213 0.4143 0.1364 23 0.3334 0.0683 0.0642 0.1856 0.3421 0.1361