DeepTrust: הערכת מידע מרשתות חברתיות על תנודות קיצוניות במניות
סיכום
DeepTrust היא מסגרת לאיתור ולהערכת מידע שעשוי להסביר שינויים קיצוניים במחירי מניות. תהליך העבודה שלה כולל שלושה חלקים: זיהוי מהלכים חריגים באמצעות למידת מכונה על סמך מחירים היסטוריים, שליפת מידע לא מובנה קשור מ-Twitter באמצעות שאילתות המותאמות לתנאי החיפוש, והערכת מהימנות התוכן שאוחזר. ההערכה מתחשבת במאפייני ציוצים, בסימנים לשפה שנוצרה באופן מלאכותי, במבנה הטיעון, בסובייקטיביות וברגש, כדי לצמצם את התוצאות לקבוצה תמציתית של פוסטים שעשויים להיות אמינים.
המסגרת הוערכה על חריגות במניות שסומנו ידנית ב-Twitter וב-Facebook מאפריל 2021. בתצורה האופטימלית שדווחה התקבלו ציון F0.5 ודיוק גבוהים יותר ממסווג בסיס בשני המקרים. המחברים בחנו גם את מודולי השליפה והמהימנות בנפרד וזיהו גורמים המגבילים את ביצועיהם. התיאור מציג ראיות משתי חריגות מסומנות בלבד, ולכן אינו מוכיח יעילות באירועים, בנכסים או בתקופות אחרים. השיטה מסייעת במיון מידע; פוסטים אמינים ברשתות חברתיות אינם מוכיחים כשלעצמם מה גרם לתנודת מחיר.
רעיונות מרכזיים
- DeepTrust משלבת זיהוי חריגות במחירים, שליפת מידע מ-Twitter והערכת מהימנותו.
- תנאי שאילתה דינמיים משמשים לשליפת תוכן מרשתות חברתיות הקשור לתנודות מחיר חריגות.
- הערכת המהימנות נשענת על מאפייני ציוצים, עקבות של יצירת שפה, מבנה טיעון, סובייקטיביות ורגש.
- בהערכה של שתי חריגות מסומנות במניות דווח על ציוני F0.5 ודיוק גבוהים יותר ממסווג בסיס.
- ההערכה המצומצמת המתוארת מגבילה מסקנות על יכולת ההכללה, ופוסטים שאוחזרו אינם מוכיחים סיבתיות.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.