コンテンツへスキップ
ライブラリの全資料

DeepTrust：株価の極端な変動をめぐるSNS情報の評価

記事 arXiv papers · 著者: Pok Wah Chan
原文を読む

サマリー

DeepTrustは、株価の極端な変動を説明する可能性のある情報を見つけて評価する枠組みです。処理は3段階です。過去の価格から機械学習で異常な値動きを検出し、検索状況に応じて変化するクエリを使ってTwitterから関連する非構造化情報を取得し、取得した内容の信頼性を評価します。評価では、ツイートの特徴、生成された文章の兆候、論旨の構成、主観性、感情を考慮し、信頼できる可能性のある投稿を少数に絞ります。

この枠組みは、2021年F0.5月のTwitterおよびFacebook上の株価異常について、自己注釈付きデータを用いて評価されました。報告された最適な設定は、いずれのケースでもベースライン分類器をF0.5スコアと適合率で上回りました。著者らは検索モジュールと信頼性評価モジュールも個別に検討し、それぞれの性能を制限する要因を特定しています。説明にある証拠は注釈付きの異常事例2件に限られているため、他の事象、資産、期間でも有効だとは示されていません。この手法は情報の選別を支援しますが、信頼できるソーシャル投稿だけで株価変動の原因が証明されるわけではありません。

主なアイデア

  • DeepTrustは価格異常の検出、Twitter情報の取得、情報の信頼性評価を組み合わせています。
  • 異常な価格変動に関連するSNS情報の取得に、変化する検索条件を使います。
  • 信頼性評価では、ツイートの特徴、文章生成の痕跡、論証、主観性、感情を考慮します。
  • アノテーション済みの株価異常2件の評価では、ベースライン分類器より高いF0.5スコアと適合率が報告されています。
  • 説明された評価規模は小さく、一般化についての結論には限界があります。また、取得した投稿だけでは因果関係を示せません。

タグ

株式機械学習センチメントイベントドリブン
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。