DeepTrust : évaluer les informations des réseaux sociaux sur les variations extrêmes des actions

Résumé

DeepTrust est un cadre conçu pour trouver et évaluer des informations susceptibles d’expliquer des variations extrêmes des cours des actions. Son fonctionnement comporte trois étapes : détection des mouvements anormaux à partir des cours historiques par apprentissage automatique, recherche d’informations non structurées connexes sur Twitter à l’aide de requêtes adaptées aux conditions de recherche, puis évaluation de la fiabilité des contenus obtenus. Cette évaluation prend en compte les caractéristiques des tweets, les signes de langage généré, la structure argumentative, la subjectivité et le sentiment, afin de réduire les résultats à un ensemble restreint de publications potentiellement crédibles.

Le cadre a été évalué sur des anomalies boursières annotées manuellement sur Twitter et Facebook en avril 2021. La configuration optimale rapportée a dépassé un classificateur de référence en score F0.5 et en précision dans les deux cas. Les auteurs examinent également séparément les modules de recherche et de fiabilité et relèvent des facteurs limitant leurs performances. La description ne porte que sur deux anomalies annotées ; elle n’établit donc pas l’efficacité de la méthode pour d’autres événements, actifs ou périodes. La méthode facilite le tri des informations ; des publications crédibles sur les réseaux sociaux ne prouvent pas à elles seules la cause d’une variation de cours.

Idées clés

• DeepTrust associe détection des anomalies de prix, recherche sur Twitter et évaluation de la fiabilité des informations.
• Des conditions de requête dynamiques servent à rechercher sur les réseaux sociaux des contenus liés aux variations inhabituelles de prix.
• L’évaluation de la fiabilité s’appuie sur les caractéristiques des tweets, les traces de génération du langage, l’argumentation, la subjectivité et le sentiment.
• L’évaluation de deux anomalies boursières annotées rapporte de meilleurs scores F0.5 et une meilleure précision qu’un classificateur de référence.
• La faible ampleur de l’évaluation décrite limite les conclusions sur la généralisation, et les publications obtenues n’établissent pas de lien de causalité.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.