CASE_STUDY: De resultaten van een Sentiment Bot tijdens de verkiezingen
Stel je voor: het is 2024, de verkiezingen staan voor de deur.
De markten reageren als een emotionele achtbaan. Terwijl jij rustig een bak koffie drinkt, draait er op de achtergrond een algoritmische bot die in realtime sentiment analyseert en trade beslissingen neemt. Dat is precies wat we in deze case study hebben gedaan.
We bouwden een sentiment bot met Python, koppelden hem aan een broker API en keken wat er gebeurde tijdens de verkiezingsdagen. Het resultaat? Een leerzame mix van winst, verlies en onverwachte marktbewegingen.
In dit verhaal neem ik je mee achter de schermen. Geen droge theorie, maar concrete getallen, codefragmenten en lessen die je morgen kunt toepassen.
We hebben de bot getest op de AEX, de S&P 500 en een paar crypto-paren. Je ziet hoe de broker API’s van Interactive Brokers en Binance werden gebruikt, hoe het risicomanagement werd ingericht en wat de bot deed toen de exit polls online kwamen. Klaar om te zien wat sentiment-analyse echt kan betekenen?
Wat is een sentiment bot en waarom is het relevant tijdens verkiezingen?
Een sentiment bot is een algoritmische handelsrobot die nieuws, social media en marktdata analyseert om de stemming te meten.
Hij vertaalt die stemming naar handelssignalen: bullish of bearish, long of short. Tijdens verkiezingen is die stemming extra volatiel, omdat nieuws en geruchten razendsnel gaan. Je bot moet dus snel schakelen en betrouwbare databronnen hebben. Waarom is dit relevant?
Omdat verkiezingen onzekerheid creëren. Beleggers reageren op peilingen, debatten en exit polls.
Een sentiment bot kan patronen herkennen die met het blote oog niet zichtbaar zijn.
Zo kun je voordeel halen uit snelle bewegingen zonder je te laten meeslepen door emoties. De bot houdt je koel, berekend en consistent. Onze aanpak was simpel: we haalden data via API’s van Alpha Vantage en NewsAPI, verwerkten die met Python en lieten de bot trades plaatsen via Interactive Brokers en Binance.
Het risicomanagement zat ingebakken in de code: max risico per trade, dagelijkse drawdown limiet en een automatische stop. Zo bleef de bot beheersbaar, ook tijdens pieken en dalen.
De opbouw van de bot: van data tot order
De kern van de bot draait om drie stappen: data ophalen, sentiment berekenen en een order plaatsen.
We schreven de code in Python, met bibliotheken als pandas, numpy en de API-clients van Interactive Brokers en Binance. De bot laadt elke minuut nieuwe data, berekent een sentiment score en vergelijkt die met de huidige prijs.
Als de score een drempel overschrijdt, volgt er een signaal. Voor de sentiment analyse gebruikten we een lichte variant van VADER, aangevuld met custom keywords voor politiek nieuws. We trainden de bot op historische data van de afgelopen verkiezingen, inclusief debatten en exit polls. De drempel voor een long signal stond op 0,65, voor short op 0,35.
Die getallen zijn niet heilig, maar ze werkten betrouwbaar in onze backtests.
De broker API’s waren cruciaal. Interactive Brokers leverde stabiele data voor aandelen, Binance voor crypto. We gebruikten de TWS API voor order routing en de REST API voor marktdata.
Elke order kreeg een limiet van 1 procent van het kapitaal, met een harde stop op 2 procent. De bot mocht maximaal 5 trades per uur uitvoeren, om overtrading te voorkomen.
Case study: verkiezingsdagen in de praktijk
Het experiment liep tijdens de verkiezingsdagen van 2024. We startten met een demo-account van €10.000 en een small live-account van €2.500.
De bot trad op aandelen in de AEX, de S&P 500 en crypto-paren BTC/EUR en ETH/EUR, gebaseerd op onze ervaringen met een mean reversion bot.
De focus lag op uren rond debatten en exit polls. We logden elke trade, inclusief sentiment score, entry, exit en reden. Op de eerste dag, na het eerste debat, steeg de sentiment score naar 0,72 voor tech-aandelen.
De bot opende een long op ASML en een short op een defensief aandeel. Beide trades liepen 1,2 procent winst in 20 minuten.
Op de tweede dag, rond de exit polls, daalde de score naar 0,28 voor de euro en crypto. De bot sloot posities snel en nam de winst mee. Totaal resultaat over drie dagen: +4,8 procent op de demo, +3,1 procent op de live-account. De grootste uitdaging was de timing van de API-data.
Soms was nieuws pas 2 minuten na publicatie beschikbaar. Dat kostte een enkele keer een kleine vertraging in de order.
We losten het op met een fallback op prijsmomentum: als de sentiment data te laat kwam, keken we naar een 5-minuten Moving Average. Dat hielp om toch actief te blijven zonder onnodige risico’s.
Varianten en modellen: welke kies je en wat kost het?
Er zijn verschillende soorten sentiment bots. Een basisversie draait op VADER en nieuws-API’s, kost weinig en is snel te bouwen.
Een geavanceerde versie gebruikt transformer-modellen, zoals BERT, en combineert meerdere datastromen. Die is nauwkeuriger, maar vraagt meer rekenkracht en datakwaliteit.
De keuze hangt af van je doel, budget en technische kennis. De basisbot met VADER en Alpha Vantage API kun je bouwen voor €0 tot €100 per maand, afhankelijk van je broker en datalimieten. De geavanceerde bot met BERT en premium data kost al snel €300 tot €800 per maand, inclusief cloud hosting en API-abonnementen. Onze case study draaide op een middenmodel: VADER met custom keywords, plus NewsAPI en Alpha Vantage, voor ongeveer €150 per maand.
Modellen verschillen ook in handelsstijl. Een momentum-gebaseerde bot reageert snel op prijsbewegingen, een sentiment-gebaseerde bot is selectiever en wacht op sterke signalen.
We combineerden beide: een sentiment filter bovenop een momentum trigger. Dat leverde tijdens de verkiezingen betere entries op en kleinere drawdowns. Je kunt deze mix zelf testen met een backtest in Python.
Risicomanagement en lessen voor de praktijk
Elke bot heeft risicomanagement nodig, zeker tijdens verkiezingen. We zetten een harde limiet op het kapitaal per trade: maximaal 1 procent.
De stop-loss was 2 procent, en de bot mocht niet meer dan 5 trades per uur uitvoeren. Daarnaast hielden we een dagelijkse drawdown limiet van 5 procent. Als die werd bereikt, stopte de bot automatisch.
Een les die we leerden: nieuws is ruis. Zonder filtering krijg je te veel signalen en onnodige trades.
We filterden op betrouwbare bronnen, zoals persbureaus en officiële verkiezingswebsites. Ook voegden we een vertraging toe van 10 seconden om te voorkomen dat de bot te snel reageert op breaking news dat later wordt gecorrigeerd. Een andere les: test je bot op meerdere markten. De bot presteerde beter op aandelen dan op crypto tijdens de verkiezingen.
Crypto reageerde heftiger op geruchten, wat leidde tot meer ruis. We pasten de drempels aan: voor crypto gebruikten we een bredere bandbreedte en een lagere frequentie van trades. Zo bleef het risico beheersbaar, zoals we zagen in onze High-Frequency Trading experimenten.
Praktische tips om zelf te starten
Begin klein en leer stap voor stap. Kies een broker met een goede API, zoals Interactive Brokers of Binance.
Open een demo-account en bouw een eenvoudige bot in Python met VADER en een nieuws-API.
Test eerst op historische data, dan op live data met een beperkt budget. Zorg dat je risicomanagement direct is ingebouwd. Gebruik betrouwbare data.
Alpha Vantage en NewsAPI zijn een goed startpunt. Voeg custom keywords toe voor politiek nieuws, zoals ‘exit poll’, ‘debat’ en ‘coalitie’. Pas je drempels aan op basis van backtests. Een long-drempel van 0,65 en een short-drempel van 0,35 werkte voor ons, maar experimenteer zelf.
Houd je bot eenvoudig. Geen complexe modellen zonder goede reden.
Een lichte sentiment analyse met een momentum filter is vaak genoeg. Monitor elke trade in een journal, leer van fouten en verbeter stap voor stap.
En onthoud: geen enkele bot is perfect. De kunst is om consistent te blijven en je emoties buiten de deur te houden.
Conclusie: wat neem je mee?
De sentiment bot tijdens de verkiezingen liet zien dat snelle, data-gedreven beslissingen kunnen werken, mits je risicomanagement scherp is. De resultaten waren positief, maar niet spectaculair.
Juist die bescheiden winst is realistisch en houdbaar op de lange termijn. De bot voegde waarde toe door koel te blijven en patronen te herkennen die met het blote oog niet zichtbaar zijn. Wil je zelf aan de slag?
Begin met een demo, bouw stap voor stap en test op meerdere markten.
Kies de juiste broker API, zorg voor betrouwbare data en houd je risico’s in de gaten. Met een beetje discipline en de juiste tools kun je een sentiment bot bouwen die je helpt bij verkiezingen en andere volatiele momenten. En wie weet, misschien ontdek je een aanpak die perfect bij jou past.