رفتن به محتوا
همه اسناد کتابخانه

DeepTrust: ارزیابی شواهد شبکه‌های اجتماعی درباره جهش‌های شدید سهام

مقاله arXiv papers · نویسنده: Pok Wah Chan

خلاصه

DeepTrust چارچوبی برای یافتن و ارزیابی اطلاعاتی است که ممکن است تغییرات شدید قیمت سهام را توضیح دهند. روند کار آن سه بخش دارد: شناسایی حرکت‌های غیرعادی از قیمت‌های تاریخی با یادگیری ماشین، بازیابی اطلاعات نام‌ساخت‌یافته مرتبط از توییتر با پرس‌وجوهایی که با شرایط جست‌وجو سازگار می‌شوند و ارزیابی اعتبار محتوای بازیابی‌شده. این ارزیابی ویژگی‌های توییت، نشانه‌های زبان تولیدشده، ساختار استدلال، ذهنیت‌گرایی و احساسات را در نظر می‌گیرد تا نتایج را به مجموعه‌ای کوتاه از پست‌های بالقوه معتبر محدود کند.

چارچوب روی ناهنجاری‌های سهام در توییتر و فیس‌بوک که برای آوریل 2021 برچسب‌گذاری شده بودند ارزیابی شد. پیکربندی بهینه گزارش‌شده در هر دو مورد از طبقه‌بند پایه در امتیاز F0.5 و دقت بهتر بود. نویسندگان ماژول‌های بازیابی و اعتبارسنجی را نیز جداگانه بررسی و عواملی را که عملکردشان را محدود می‌کنند شناسایی می‌کنند. شواهد شرح‌داده‌شده به دو ناهنجاری برچسب‌گذاری‌شده محدود است و اثربخشی در رویدادها، دارایی‌ها یا دوره‌های دیگر را ثابت نمی‌کند. این روش به اولویت‌بندی اطلاعات کمک می‌کند؛ پست‌های معتبر شبکه‌های اجتماعی به‌تنهایی علت حرکت قیمت را اثبات نمی‌کنند.

ایده‌های کلیدی

  • DeepTrust شناسایی ناهنجاری قیمت، بازیابی از توییتر و ارزیابی اعتبار اطلاعات را ترکیب می‌کند.
  • برای بازیابی محتوای شبکه‌های اجتماعی مرتبط با حرکت‌های غیرعادی قیمت، از شرایط پرس‌وجوی پویا استفاده می‌شود.
  • ارزیابی اعتبار بر ویژگی‌های توییت، ردپاهای تولید زبان، استدلال، ذهنیت‌گرایی و احساسات تکیه دارد.
  • ارزیابی روی دو ناهنجاری برچسب‌گذاری‌شده سهام، امتیازهای F0.5 و دقت بهتری نسبت به طبقه‌بند پایه گزارش می‌کند.
  • ارزیابی توصیف‌شده کوچک است و تعمیم‌پذیری را محدود می‌کند؛ پست‌های بازیابی‌شده نیز علیت را اثبات نمی‌کنند.

برچسب‌ها

متن کامل
# DeepTrust: A Reliable Financial Knowledge Retrieval Framework For Explaining Extreme Pricing Anomalies


# DeepTrust: A Reliable Financial Knowledge Retrieval Framework For Explaining Extreme Pricing Anomalies









Extreme pricing anomalies may occur unexpectedly without a trivial cause, and equity traders typically experience a meticulous process to source disparate information and analyze its reliability before integrating it into the trusted knowledge base. We introduce DeepTrust, a reliable financial knowledge retrieval framework on Twitter to explain extreme price moves at speed, while ensuring data veracity using state-of-the-art NLP techniques. Our proposed framework consists of three modules, specialized for anomaly detection, information retrieval and reliability assessment. The workflow starts with identifying anomalous asset price changes using machine learning models trained with historical pricing data, and retrieving correlated unstructured data from Twitter using enhanced queries with dynamic search conditions. DeepTrust extrapolates information reliability from tweet features, traces of generative language model, argumentation structure, subjectivity and sentiment signals, and refine a concise collection of credible tweets for market insights. The framework is evaluated on two self-annotated financial anomalies, i.e., Twitter and Facebook stock price on 29 and 30 April 2021. The optimal setup outperforms the baseline classifier by 7.75% and 15.77% on F0.5-scores, and 10.55% and 18.88% on precision, respectively, proving its capability in screening unreliable information precisely. At the same time, information retrieval and reliability assessment modules are analyzed individually on their effectiveness and causes of limitations, with identified subjective and objective factors that influence the performance. As a collaborative project with Refinitiv, this framework paves a promising path towards building a scalable commercial solution that assists traders to reach investment decisions on pricing anomalies with authenticated knowledge from social media platforms in real-time.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.