Understanding the impact of Twitter on the financial market

Negli anni la funzione dei social network è cambiata molte volte. Alle origini i social network erano uno strumento di connessione tra amici, ora sono siti internet in cui le persone mettono informazioni e quando un social network ha milioni di utenti, diventa un’incredibile sorgente di dati. Twitter è uno dei siti internet più visitati, e viene descritto come “the SMS of internet”, perchè è un social network che permette ai suoi utenti di inviare e leggere messaggi corti, di 140 caratteri, chiamati “tweets”. Con il passare del tempo Twitter `e diventato una fonte fondamentale di notizie. Il suo grande numero di utenti permette alle notizie di espandersi nella rete in modo virale. Molte persone hanno cercato di analizzare il potere dei tweet, come il contenuto positivo o negativo, mentre altri hanno cercato di capire se avessero un potere predittivo. In particolare nel mondo finanziario, sono state avviate molte ricerche per verificare l’esistenza di una effettiva correlazione tra i tweets e la fluttuazione del mercato azionario. L’effettiva presenza di tale relazione unita a un modello predittivo, potrebbe portare allo sviluppo di un modello che analizzando i tweets presenti nella rete, relativi a un titolo azionario, dia informazioni sulle future variazioni del titolo stesso. La nostra attenzione si è rivolata alla ricerca e validazione statistica di tale correlazione. Sono stati effettuati test su singole azioni, sulla base dei dati disponibili, poi estesi a tutto il dataset per vedere la tendenza generale e attribuire maggior valore al risultato. Questa ricerca è caratterizzata dal suo dataset di tweet che analizza un periodo di oltre 2 anni, uno dei periodi più lunghi mai analizzati. Si è cercato di fornire maggior valore ai risultati trovati tramite l’utilizzo di validazioni statistiche, come il “permutation test”, per validare la relazione tra tweets di un titolo con i relativi valori azionari, la rimozione di una percentuale di eventi importanti, per mostrare la dipendenza o indipendenza dei dati dagli eventi più evidenti dell’anno e il “granger causality test”, per capire la direzione di una previsione tra serie. Sono stati effettuati anche test con risultati fallimentari, dai quali si sono ricavate le direzioni per i futuri sviluppi di questa ricerca.

Quantum Riemannian geometry on graphs for gauge field theory

In questo lavoro estendiamo concetti classici della geometria Riemanniana al fine di risolvere le equazioni di Maxwell sul gruppo delle permutazioni $S_3$. Cominciamo dando la strutture algebriche di base e la definizione di calcolo differenziale quantico con le principali proprietà. Generalizziamo poi concetti della geometria Riemanniana, quali la metrica e l'algebra esterna, al caso quantico. Tutto ciò viene poi applicato ai grafi dando la forma esplicita del calcolo differenziale quantico su $\mathbb{K}(V)$, della metrica e Laplaciano del secondo ordine e infine dell'algebra esterna. A questo punto, riscriviamo le equazioni di Maxwell in forma geometrica compatta usando gli operatori e concetti della geometria differenziale su varietà che abbiamo generalizzato in precedenza. In questo modo, considerando l'elettromagnetismo come teoria di gauge, possiamo risolvere le equazioni di Maxwell su gruppi finiti oltre che su varietà differenziabili. In particolare, noi le risolviamo su $S_3$.