본문으로 건너뛰기
라이브러리 문서 전체

DeepTrust: 극단적 주가 움직임에 관한 소셜미디어 증거 평가

기사 arXiv papers · 저자: Pok Wah Chan
원문 읽기

요약

DeepTrust는 극단적인 주가 변동을 설명할 수 있는 정보를 찾고 평가하는 프레임워크입니다. 과거 가격으로 비정상적인 움직임을 머신러닝으로 탐지하고, 검색 조건에 맞춰 조정되는 질의로 Twitter에서 관련 비정형 정보를 가져온 다음, 검색된 콘텐츠의 신뢰성을 평가하는 세 단계로 구성됩니다. 평가는 트윗 특성, 생성형 언어의 흔적, 논증 구조, 주관성 및 감성을 고려해 잠재적으로 신뢰할 수 있는 게시물의 간결한 목록으로 결과를 좁힙니다.

이 프레임워크는 2021년 4월의 주석 처리된 Twitter 및 Facebook 주식 이상 현상으로 평가됐습니다. 보고된 최적 설정은 두 사례 모두에서 FF0.5 점수와 정밀도 기준으로 기준 분류기를 넘어섰습니다. 저자들은 검색과 신뢰성 모듈을 별도로 살펴보고 성능을 제한하는 요인을 확인합니다. 설명에서 근거는 주석 처리된 이상 현상 두 건에 한정되므로 다른 사건, 자산 또는 기간에서 효과가 있다고 입증하지 않습니다. 이 방법은 정보 선별을 지원하지만, 신뢰할 만한 소셜미디어 게시물만으로 가격 변동의 원인이 입증되지는 않습니다.

핵심 아이디어

  • DeepTrust는 가격 이상 탐지, Twitter 검색, 정보 신뢰성 평가를 결합합니다.
  • 동적 질의 조건으로 비정상적인 가격 움직임과 관련된 소셜미디어 자료를 검색합니다.
  • 신뢰성 평가는 트윗 특성, 언어 생성 흔적, 논증, 주관성 및 감성을 활용합니다.
  • 주석 처리된 주식 이상 현상 두 건의 평가에서 기준 분류기보다 높은 F0.5 점수와 정밀도를 보고합니다.
  • 설명된 평가 규모가 작아 일반화에 관한 결론은 제한적이며, 검색된 게시물이 인과관계를 입증하지는 않습니다.

태그

주식머신러닝시장 심리이벤트 기반 전략
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.