DeepTrust: Đánh giá bằng chứng mạng xã hội về biến động giá cổ phiếu cực đoan
Tóm tắt
DeepTrust là khuôn khổ tìm kiếm và đánh giá thông tin có thể giải thích những thay đổi cực đoan của giá cổ phiếu. Quy trình gồm ba phần: dùng học máy phát hiện biến động bất thường từ giá lịch sử, truy xuất thông tin phi cấu trúc liên quan từ Twitter bằng truy vấn thích ứng với điều kiện tìm kiếm, và đánh giá độ tin cậy của nội dung được truy xuất. Việc đánh giá xem xét đặc điểm bài đăng, dấu hiệu ngôn ngữ được tạo tự động, cấu trúc lập luận, tính chủ quan và sắc thái cảm xúc để thu hẹp kết quả thành một tập nhỏ các bài đăng có khả năng đáng tin.
Khuôn khổ được đánh giá trên các trường hợp bất thường của cổ phiếu trên Twitter và Facebook do nhóm nghiên cứu tự gắn nhãn từ tháng 4 năm 2021. Cấu hình tối ưu được báo cáo vượt bộ phân loại cơ sở về điểm F0.5 và độ chính xác trong cả hai trường hợp. Các tác giả cũng khảo sát riêng mô-đun truy xuất và mô-đun đánh giá độ tin cậy, đồng thời xác định các yếu tố hạn chế hiệu suất của chúng. Phần mô tả chỉ đưa ra bằng chứng về hai trường hợp bất thường được gắn nhãn, nên không chứng minh hiệu quả trên các sự kiện, tài sản hoặc giai đoạn khác. Phương pháp hỗ trợ sàng lọc thông tin; các bài đăng mạng xã hội đáng tin tự chúng không chứng minh nguyên nhân khiến giá biến động.
Ý chính
- DeepTrust kết hợp phát hiện bất thường về giá, truy xuất thông tin từ Twitter và đánh giá độ tin cậy của thông tin.
- Điều kiện truy vấn linh hoạt được dùng để truy xuất nội dung mạng xã hội liên quan đến biến động giá bất thường.
- Đánh giá độ tin cậy dựa trên đặc điểm bài đăng, dấu vết tạo ngôn ngữ, lập luận, tính chủ quan và sắc thái cảm xúc.
- Đánh giá trên hai trường hợp bất thường của cổ phiếu đã gắn nhãn báo cáo điểm F0.5 và độ chính xác cao hơn bộ phân loại cơ sở.
- Phạm vi đánh giá nhỏ được mô tả hạn chế kết luận về khả năng khái quát hóa; các bài đăng được truy xuất không chứng minh quan hệ nhân quả.
Thẻ
Toàn văn
# 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.
Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0
Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.