सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

DeepTrust: शेयर कीमतों की चरम चाल पर सोशल मीडिया प्रमाण का आकलन

लेख arXiv papers · लेखक: Pok Wah Chan

सारांश

DeepTrust ऐसी जानकारी खोजने और परखने का ढाँचा है जो इक्विटी कीमतों में चरम बदलावों की व्याख्या कर सकती है। इसकी प्रक्रिया के तीन भाग हैं: ऐतिहासिक कीमतों से असामान्य चालों की मशीन-लर्निंग पहचान, खोज स्थितियों के अनुसार बदलते प्रश्नों से Twitter पर संबंधित असंरचित जानकारी प्राप्त करना, और प्राप्त सामग्री की विश्वसनीयता का आकलन। यह आकलन ट्वीट की विशेषताओं, मशीन-जनित भाषा के संकेतों, तर्क संरचना, व्यक्तिनिष्ठता और भावना को देखता है, ताकि परिणामों को संभावित रूप से विश्वसनीय पोस्ट के संक्षिप्त समूह तक सीमित किया जा सके।

इस ढाँचे का मूल्यांकन अप्रैल 2021 के Twitter और Facebook पर शेयर संबंधी स्व-चिह्नित असामान्य घटनाओं पर किया गया। रिपोर्ट की गई सर्वोत्तम संरचना ने दोनों मामलों में F0.5 स्कोर और प्रिसिज़न पर आधारभूत क्लासिफ़ायर से बेहतर प्रदर्शन किया। लेखक अलग-अलग सूचना-प्राप्ति और विश्वसनीयता मॉड्यूल की भी जाँच करते हैं और उनके प्रदर्शन को सीमित करने वाले कारकों की पहचान करते हैं। विवरण में प्रमाण केवल दो चिह्नित असामान्य घटनाओं तक सीमित है, इसलिए यह अन्य घटनाओं, एसेट या अवधियों में प्रभावशीलता स्थापित नहीं करता। यह विधि जानकारी की छँटाई में मदद करती है; विश्वसनीय सोशल पोस्ट अपने आप मूल्य चाल का कारण सिद्ध नहीं करते।

मुख्य विचार

  • DeepTrust मूल्य-असामान्यता पहचान, Twitter से जानकारी प्राप्ति और विश्वसनीयता आकलन को जोड़ता है।
  • असामान्य मूल्य चालों से जुड़ी सोशल-मीडिया सामग्री खोजने के लिए गतिशील खोज क्वेरी का उपयोग किया जाता है।
  • विश्वसनीयता आकलन में ट्वीट विशेषताएँ, भाषा-निर्माण के संकेत, तर्क, व्यक्तिनिष्ठता और भावना शामिल हैं।
  • दो चिह्नित शेयर असामान्य घटनाओं के मूल्यांकन में आधारभूत क्लासिफ़ायर से बेहतर F0.5 स्कोर और प्रिसिज़न की रिपोर्ट है।
  • वर्णित छोटा मूल्यांकन सामान्यीकरण संबंधी निष्कर्षों को सीमित करता है, और प्राप्त पोस्ट कारणात्मकता सिद्ध नहीं करते।

टैग

पूरा पाठ
# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।