DeepTrust: оценка данных из соцсетей о резких движениях акций
Сводка
DeepTrust — это система для поиска и оценки информации, которая может объяснять резкие изменения цен акций. Она включает три этапа: выявление аномальных движений на основе исторических цен с помощью машинного обучения, поиск связанных неструктурированных данных в Twitter по запросам, адаптирующимся к условиям поиска, и оценку надежности найденного контента. При оценке учитываются особенности твитов, признаки сгенерированного текста, структура аргументации, субъективность и тональность, чтобы сузить результаты до краткого списка потенциально достоверных публикаций.
Систему оценивали на самостоятельно размеченных аномалиях акций в Twitter и Facebook за апрель 2021. В описании сообщается, что оптимальная конфигурация превзошла базовый классификатор по показателям F0.5 и точности в обоих случаях. Авторы также отдельно изучают модули поиска и оценки надежности и выявляют факторы, ограничивающие их эффективность. В описании представлены только две размеченные аномалии, поэтому оно не подтверждает эффективность метода для других событий, активов или периодов. Метод помогает отбирать информацию; достоверные публикации в соцсетях сами по себе не доказывают причину движения цены.
Ключевые идеи
- DeepTrust объединяет выявление ценовых аномалий, поиск публикаций в Twitter и оценку надежности информации.
- Для поиска материалов в соцсетях, связанных с необычными движениями цен, используются динамические условия запросов.
- При оценке надежности учитываются признаки твитов, следы генерации текста, аргументация, субъективность и тональность.
- В оценке двух размеченных аномалий акций сообщается о более высоких показателях F0.5 и точности по сравнению с базовым классификатором.
- Описанная небольшая выборка ограничивает выводы о применимости метода к другим данным, а найденные публикации не устанавливают причинно-следственную связь.
Теги
Полный текст
# 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.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.