Forecasting stock prices with ESG sentiment: a deep learning approach

Environmental, Social, and Governance (ESG) have emerged as important factors to companies and investors. This thesis explores the capabilities of deep learning models, specifically N-HiTS, for forecasting stock prices and RoBERTa for computing sentiment scores from ESG-related news. The primary objective was to determine whether ESG sentiment extracted from news could be predictive of movements in the Dow Jones Industrial Average (DJIA) stock price. Sentiment scores were used together with historical closing prices to predict next-day closing prices. The findings revealed that the N-HiTS model, when trained with comprehensive sentiment data from all news, significantly outperformed the baseline model across all key metrics: MAPE, sMAPE, and directional accuracy. A model trained exclusively with ESG news sentiment improved upon the baseline, only considering directional accuracy. It was also the best model to predict downward movements of the price.

I temi ambientali, sociali e di governance (ESG) sono diventati fattori importanti per le aziende e gli investitori. Questa tesi esplora le capacità dei modelli di deep learning, in particolare N-HiTS, di predire i prezzi delle azioni e RoBERTa di calcolare il sentiment delle notizie relative agli argomenti ESG. L'obiettivo primario era determinare se il sentiment ESG estratto dalle notizie potesse essere predittivo dei movimenti del prezzo delle azioni del Dow Jones Industrial Average (DJIA). I punteggi del sentiment sono stati utilizzati insieme ai prezzi di chiusura storici per prevedere i prezzi di chiusura del giorno successivo. I risultati hanno rivelato che il modello N-HiTS, quando è stato addestrato con i dati di sentiment completi di tutte le notizie, ha superato significativamente il modello di base in tutte le metriche chiave: MAPE, sMAPE e precisione direzionale. Un modello addestrato esclusivamente con il sentiment delle notizie ESG ha migliorato il modello di base, considerando solo l'accuratezza direzionale. È stato anche il modello migliore nel prevedere i movimenti al ribasso del prezzo.