مواد پر جائیں
لائبریری کی تمام دستاویزات

ڈیپ ٹرسٹ: اسٹاک کی شدید قیمت حرکتوں کے لیے سوشل میڈیا شواہد کا جائزہ

مضمون arXiv papers · مصنف: Pok Wah Chan

خلاصہ

ڈیپ ٹرسٹ ایسی معلومات تلاش کرنے اور جانچنے کا ڈھانچا ہے جو ایکویٹی کی قیمتوں میں شدید تبدیلیوں کی وضاحت کر سکتی ہیں۔ اس کے تین حصے ہیں: تاریخی قیمتوں سے مشین لرننگ کے ذریعے غیر معمولی حرکتوں کی شناخت، تلاش کے حالات کے مطابق بدلتے سوالات سے ٹوئٹر پر متعلقہ غیر ساختہ معلومات حاصل کرنا، اور حاصل شدہ مواد کی قابلِ اعتماد حیثیت کا جائزہ۔ یہ جائزہ ٹویٹس کی خصوصیات، خودکار طور پر تیار کردہ زبان کے آثار، دلیل کی ساخت، موضوعیت اور جذبات کو دیکھتا ہے تاکہ نتائج کو ممکنہ طور پر معتبر پوسٹس کے مختصر مجموعے تک محدود کیا جا سکے۔

ڈھانچے کا جائزہ اپریل 2021 کے ٹوئٹر اور فیس بک پر درج خود تشریح کردہ اسٹاک کی بے قاعدگیوں پر لیا گیا۔ رپورٹ شدہ بہترین ترتیب نے دونوں معاملات میں F0.5 اسکور اور پریسیژن پر بنیادی درجہ بند سے بہتر کارکردگی دکھائی۔ مصنفین بازیافت اور قابلِ اعتماد ہونے کے ماڈیولز کا الگ الگ جائزہ بھی لیتے اور ان کی کارکردگی محدود کرنے والے عوامل شناخت کرتے ہیں۔ تفصیل میں شواہد صرف دو تشریح شدہ بے قاعدگیوں تک محدود ہیں، اس لیے دیگر واقعات، اثاثوں یا ادوار میں مؤثریت ثابت نہیں ہوتی۔ یہ طریقہ معلومات کی چھان بین میں مدد دیتا ہے؛ معتبر سوشل پوسٹس بذاتِ خود قیمت کی حرکت کا سبب ثابت نہیں کرتیں۔

اہم خیالات

  • ڈیپ ٹرسٹ قیمت کی بے قاعدگی کی شناخت، ٹوئٹر سے معلومات کی بازیافت اور معلومات کی قابلِ اعتماد حیثیت کے جائزے کو یکجا کرتا ہے۔
  • غیر معمولی قیمت حرکتوں سے متعلق سوشل میڈیا مواد حاصل کرنے کے لیے متحرک سوالات استعمال ہوتے ہیں۔
  • قابلِ اعتماد ہونے کا جائزہ ٹویٹ کی خصوصیات، زبان تیار ہونے کے آثار، استدلال، موضوعیت اور جذبات کو دیکھتا ہے۔
  • دو تشریح شدہ اسٹاک بے قاعدگیوں پر جائزے میں بنیادی درجہ بند سے بہتر F0.5 اسکور اور پریسیژن رپورٹ ہوئے۔
  • بیان کردہ محدود جائزہ عمومی اطلاق کے بارے میں نتیجے محدود کرتا ہے، اور حاصل شدہ پوسٹس سببیت ثابت نہیں کرتیں۔

ٹیگز

مکمل متن
# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔