Mythes et réalités : analyse des sentiments concernant les Crypto actifs

Jesus Rodriguez est le directeur technique et co-fondateur deDans le bloc, une plateforme axée sur la mise en place d'une infrastructure intelligente pour les Marchés de la Crypto , ainsi que scientifique en chef de la société d'IA Invector Labs et investisseur actif, conférencier et auteur dans le domaine de la Crypto et de l'intelligence artificielle. Cet article a été initialement publié dans la newsletter Institutional Crypto de CoinDesk.

ONEune des croyances établies sur le marché des Cryptomonnaie est sa sensibilité aux informations et aux médias sociaux. Comme tout autre marché financier naissant et encore irrationnel, les développements inattendus capturés dans les informations ou les médias sociaux ont tendance à avoir un impact sur le prix. Par conséquent, il existe un intérêt croissant pour l’exploitation des techniques d’apprentissage automatique telles que l’analyse des sentiments pour détecter d’éventuelles corrélations avec le prix des cryptomonnaies et des jetons numériques. Malgré son importance, la plupart des tentatives visant à tirer parti de l'analyse des sentiments sont trop basiques pour produire des informations tangibles et produisent souvent des résultats trompeurs.

Les défis liés à l’exploitation efficace de l’analyse des sentiments pour évaluer le comportement d’un actif ne sont pas propres à l’espace Crypto . Produire de véritables informations basées sur le sentiment textuel est une tâche très difficile qui, la plupart du temps, nécessite des modèles de traitement du langage naturel (NLP) optimisés pour un domaine financier spécifique. Les grands fonds spéculatifs quantitatifs utilisent des armées d’experts en apprentissage automatique pour former des modèles NLP dans une tâche très spécifique comme l’analyse des rapports de résultats afin d’obtenir un avantage dans une transaction à fréquence moyenne. Exploiter efficacement l’analyse des sentiments pour les actifs Crypto nécessite une profondeur et une rigueur en matière d’apprentissage automatique.

Pour comprendre cette affirmation, commençons par approfondir un BIT plus les caractéristiques des méthodes d’analyse des sentiments.

Une introduction douce à l'analyse des sentiments

Dans l'acte II, scène II de la célèbre pièceRichelieu; ou la conspirationLe dramaturge britannique Edward Bulwer-Lytton a inventé une phrase qui a traversé les générations : « La plume est plus puissante que l’épée ». Des siècles plus tard, cette célèbre citation résume brillamment l’importance de l’analyse des sentiments. Les émotions dans la communication textuelle sont parfois plus propices à l’action que les actions physiques elles-mêmes.

D’un point de vue conceptuel, l’analyse des sentiments est une sous-discipline du PNL qui se concentre sur l’identification des états affectifs des communications textuelles. Contrairement aux croyances populaires, l’analyse des sentiments n’est pas une technique unique mais plutôt une sous-discipline de l’espace d’apprentissage profond qui couvre différents types de détection d’affection dans les données textuelles. De ce point de vue, il existe plusieurs types d’analyse des sentiments qui pourraient être pertinents dans le contexte de la veille sur les crypto-actifs :

• Analyse de polarité:Ce type d'analyse des sentiments classe les sentiments textuels en positifs, négatifs et neutres. Par exemple, la phrase «La Rally du prix du Bitcoin a redynamisé le marché« serait probablement classé comme positif par la plupart des modèles.
• Analyse des émotions et du ton:Au lieu d'un qualificatif général pour le texte, ce type d'analyse se concentre sur la notation des différents types d'émotions présentes dans un texte particulier. Les émotions telles que la tristesse, la joie ou la colère sont un objectif courant des algorithmes d'analyse des émotions. Par exemple, la phrase «ce Rally du Bitcoin est fou, montrera un niveau élevé d’excitation et de joie.
• Analyse des sentiments des aspects:Ce type d'analyse des sentiments se concentre sur l'interprétation du sentiment à l'égard de sujets spécifiques dans une phrase plutôt que d'une phrase dans son ensemble. Par exemple, dans la phrase «Les contrats à terme de Bakkt constituent une étape majeure pour le marché du Bitcoin, l'analyse des aspects déterminera le sentiment lié à « Bakkt futures » au lieu de la phrase complète.

En regardant la liste précédente, nous pouvons clairement voir les avantages de l’analyse des sentiments pour les Crypto actifs. Cependant, il existe également de nombreux défis à prendre en compte avant de s’aventurer dans l’utilisation de ce type de techniques. La contextualisation, la subjectivité, l’ironie ou encore la mauvaise grammaire font partie des facteurs qui peuvent facilement tromper les meilleurs algorithmes NLP.

Analyse des sentiments pour les actifs Crypto

Les Crypto sont une classe d’actifs naissante qui reste vulnérable à l’irrationalité des Marchés financiers et au manque de canaux de Déclaration de transparence appropriés. De ce point de vue, il est logique de supposer que les techniques de PNL telles que l’analyse des sentiments peuvent identifier les facteurs générateurs d’alpha ou de bêta intelligent pour prédire le comportement des actifs Crypto . La réalité est un BIT différente.

Lors de l'application de l'analyse des sentiments aux actifs Crypto , nous sommes susceptibles de rencontrer deux principaux types de défis :

• Limitations des technologies NLP traditionnelles lorsqu'elles sont appliquées à un problème spécifique à un domaine tel que l'analyse des actifs Crypto .
• Hypothèses erronées sur la manière dont les sentiments se reflètent dans les nouvelles et les médias sociaux.

Le premier défi peut presque être considéré comme un effet secondaire inattendu de la croissance rapide des technologies NLP. Aujourd'hui, il est relativement facile pour un développeur d'intégrer l'analyse des sentiments dans des applications à l'aide d'API simples qui T nécessitent aucune expertise en apprentissage profond.

Bien que les API NLP puissent être efficaces pour analyser le sentiment d'une phrase générique, elles fonctionnent extrêmement mal lorsqu'elles tentent d'extrapoler des connaissances spécifiques à un domaine d'une phrase spécifique. Par exemple, l'analyse de la phrase «l'approbation d'un ETF Bitcoin pourrait être imminente« nécessite des modèles PNL spécialisés dans la sémantique de la terminologie spécifique au marché et capables d'extrapoler le sentiment à un niveau plus granulaire qu'à partir d'une simple phrase.

Le deuxième défi est lié aux idées fausses sur la manière dont les sentiments se reflètent dans les actualités et les commentaires sur les réseaux sociaux. En tant que source de renseignements, les actualités peuvent être très instructives, mais tout à fait inutiles lorsqu’il s’agit d’analyser les sentiments. La raison est évidente : le sentiment dans les actualités bien écrites devrait avoir tendance à être neutre. Les réseaux sociaux se comportent exactement de la manière opposée. Les conversations sur les cryptomonnaies sur Twitter ou Telegram ont tendance à contenir un sentiment pertinent mais, pour la plupart, sont basées sur une réaction à des informations publiques importantes, ce qui signifie qu’elles sont peu susceptibles de générer un quelconque avantage informationnel. De plus, les fils de discussion sur les réseaux sociaux ont tendance à être bruyants et relativement subjectifs, ce qui peut produire des résultats d’analyse des sentiments trompeurs.

D’un point de vue purement technologique, la création de modèles d’analyse de sentiment efficaces pour les Crypto actifs nécessite des modèles formés à la terminologie des Marchés Crypto , mais qui analysent également les actualités comme sources d’information et les flux de médias sociaux comme amplificateurs de sentiment. Cependant, si nous surmontons ce défi technologique, nous sommes désormais confrontés à ONEune des plus grandes idées fausses psychologiques en matière de modèles d’analyse de sentiment dans l’espace Crypto .

L’erreur de l’impact du sentiment sur le marché

L'erreur de l'impact du sentiment sur le marché décrit un phénomène notoire ou irrationnel, comme les Marchés financiers naissants dans lesquels les investisseurs supposent une corrélation directe entre un score de sentiment et un mouvement de prix. Pour expliquer cette dynamique d'économie comportementale, imaginons que vous utilisez un outil d'analyse qui analyse le sentiment des tweets récents sur le Bitcoin . Psychologiquement, la plupart des investisseurs sont enclins à interpréter le sentiment comme un indicateur avancé basé sur les règles suivantes :

• Si le sentiment est positif, c'est un indicateur haussier pour le prix du Bitcoin.
• Si le sentiment est négatif, c'est un indicateur baissier pour le prix du Bitcoin.

Cependant, si votre modèle analyse des informations publiques et matérielles, le sentiment doit être interprété comme un indicateur retardé suivant certaines règles non intuitives :

• Si le sentiment est positif et que le prix du Bitcoin n’augmente pas, c’est un signal baissier.
• Si le sentiment est négatif et que le prix du Bitcoin ne baisse pas, c’est un signal haussier.

Être conscient du biais sentiment-prix positionne l'analyse du sentiment non pas comme un indicateur avancé mais comme un facteur souvent pertinent dans une stratégie de trading.

De l'analyse des sentiments à l'analyse d'impact sur le marché

D’un point de vue informationnel, le marché des Crypto est bruyant et plein d’ Événements inattendus. En termes d’analyse du sentiment, cette combinaison de facteurs est un cauchemar. Au lieu de se concentrer uniquement sur l’analyse du sentiment, nous devrions probablement développer une approche plus holistique. Un indicateur d’impact du sentiment sur le marché serait une combinaison d’analyses de polarité (négative, positive, neutre), d’émotion (anxieuse, excitée, triste…) et d’aspect (sujets, entités…) sur de longues périodes de temps. Cette approche nécessiterait la formation de modèles spécialisés dans la dynamique des actifs Crypto pour évaluer le sentiment dans le contexte de conditions de marché spécifiques.

L'idée des modèles d'impact du sentiment sur le marché est conceptuellement triviale : quantifier l'impact que des combinaisons de sentiments, d'émotions et de sujets peuvent avoir sur un actif Crypto dans des conditions de marché spécifiques. Une partie de la beauté de cette approche est qu'elle n'a T besoin d'être complètement non supervisée comme la plupart des modèles de sentiment actuels ; elle peut être formée sur la connaissance spécifique du domaine des Marchés Crypto . Par exemple, nous pourrions former un modèle pour Guides que les articles positifs sur l'investissement chinois dans les Crypto peuvent avoir un impact positif sur un marché qui a été relativement baissier la semaine dernière. Le principe de CORE des modèles d'analyse d'impact du sentiment sur le marché serait de contextualiser la connaissance des modèles de sentiment aux spécificités du marché des Crypto monnaies.

L’analyse des sentiments continuera probablement à KEEP la une des journaux sur le marché des Crypto . Cependant, pour être efficaces, les modèles nécessitent une plus grande rigueur en matière d’apprentissage automatique et la construction de connaissances basées sur la dynamique spécifique des Marchés des Crypto monnaies. À mesure que les Marchés évoluent, nous sommes susceptibles d’assister à une transition des techniques simples d’analyse des sentiments vers des modèles d’impact sur le marché plus holistiques qui quantifient la pertinence de sujets spécifiques dans le comportement des Marchés des Crypto monnaies.