Міфи та реальність: аналіз настроїв для Крипто

Хесус Родрігес є технічним директором і співзасновником IntoTheBlock, платформа, зосереджена на створенні інтелектуальної інфраструктури для Крипто , а також головний науковий співробітник фірми AI Invector Labs і активний інвестор, доповідач і автор у Крипто та штучного інтелекту. Ця стаття спочатку була опублікована в інформаційному бюлетені CoinDesk Institutional Крипто .

ONE із усталених переконань на ринку Криптовалюта є його сприйнятливість до новин і соціальних мереж. Як і будь-який інший фінансовий ринок, що зароджується та все ще ірраціональний, несподівані події, зафіксовані в новинах або соціальних мережах, як правило, впливають на ціну. У результаті зростає інтерес до використання методів машинного навчання, таких як аналіз настроїв, щоб виявити можливі кореляції з ціною криптовалют і цифрових токенів. Незважаючи на свою важливість, більшість спроб використовувати аналіз настроїв є надто елементарними, щоб вивести будь-яку відчутну інформацію, і досить часто дають оманливі результати.

Проблеми ефективного використання аналізу настроїв для оцінки поведінки активу не є унікальними для Крипто . Вироблення справжнього розуміння на основі текстових настроїв є дуже складним завданням, яке в більшості випадків вимагає моделей обробки природної мови (NLP), оптимізованих для конкретної фінансової сфери. Великі кількісні хедж-фонди використовують армії експертів з машинного навчання, щоб навчити моделі НЛП виконувати такі специфічні завдання, як аналіз звітів про прибутки, щоб отримати перевагу в середньочастотній торгівлі. Ефективне використання аналізу настроїв для Крипто вимагає глибини та ретельності машинного навчання.

Щоб зрозуміти це твердження, давайте заглибимося BIT глибше в характеристики методів аналізу настроїв.

Легкий вступ до аналізу настроїв

У другій дії, друга сцена відомої п’єси Рішельє; Або ЗмоваБританський драматург Едвард Булвер-Літтон придумав фразу, яка перевершила покоління: «Перо могутніше за меч». Століттями пізніше ця знаменита цитата блискуче втілює важливість аналізу настроїв. Емоції в текстовому спілкуванні іноді більше сприяють діям, ніж самі фізичні дії.

Концептуально аналіз почуттів є піддисципліною НЛП, яка зосереджена на виявленні афективних станів текстової комунікації. Всупереч поширеній думці, аналіз настроїв — це не окрема техніка, а радше субдисципліна простору глибокого навчання, яка охоплює різні типи виявлення прихильності в текстових даних. З цієї точки зору існує кілька типів аналізу настроїв, які можуть бути доречними в контексті аналізу криптоактивів:

• Аналіз полярності: цей тип аналізу настроїв класифікує текстові настрої на позитивні, негативні та нейтральні. Наприклад, речення «Rally цін на Bitcoin оживило ринок», ймовірно, буде класифіковано як позитивне більшістю моделей.
• Аналіз емоцій/тону: Замість загального класифікатора для тексту цей тип аналізу зосереджується на оцінці різних типів емоцій, присутніх у певному тексті. Такі емоції, як смуток, щастя чи гнів, є звичайним фокусом алгоритмів аналізу емоцій. Наприклад, речення «це Rally Bitcoin божевільне”, покаже високий рівень хвилювання та радості.
• Аналіз аспектного настрою: цей тип аналізу настроїв зосереджується на інтерпретації настроїв щодо конкретних предметів у реченні, а не на реченні в цілому. Наприклад, у реченні «Ф'ючерси Bakkt є важливою віхою для ринку Bitcoin”, аспектний аналіз визначатиме настрої, пов’язані з “ф’ючерсами Bakkt”, а не повне речення.

Дивлячись на попередній список, ми можемо чітко побачити переваги аналізу настроїв для Крипто . Однак існує також багато проблем, які слід розглянути, перш ніж ризикнути використовувати ці типи методів. Контекстуалізація, суб’єктивність, іронія чи навіть погана граматика є одними з факторів, які можуть легко обдурити найкращі алгоритми НЛП.

Аналіз настроїв для Крипто

Крипто — це клас активів, що тільки зароджується, і все ще вразливий до ірраціональності фінансових Ринки і відсутності належних каналів Повідомлення . З цієї точки зору цілком логічно припустити, що методи НЛП, такі як аналіз настроїв, можуть ідентифікувати альфа- або розумні бета-генератори факторів для прогнозування поведінки Крипто . Реальність BIT інша.

Застосовуючи аналіз настроїв до Крипто , ми, ймовірно, зіткнемося з двома основними типами проблем:

• Обмеження основних технологій НЛП у застосуванні до проблем, пов’язаних із доменом, таких як аналіз Крипто .
• Неправильні припущення про те, як настрої відображаються в новинах і соціальних мережах.

Перший виклик майже можна розглядати як несподіваний побічний ефект швидкого зростання технологій НЛП. Сьогодні розробнику відносно легко включити аналіз настрою в додатки за допомогою простих API, які T потребують досвіду глибокого навчання.

Хоча NLP API можуть бути ефективними для аналізу настрою загального речення, вони працюють надзвичайно погано, коли намагаються екстраполювати предметно-специфічні знання конкретного речення. Наприклад, аналізуючи речення «схвалення Bitcoin ETF може бути неминучим” вимагає моделей НЛП, які спеціалізуються на семантиці специфічної для ринку термінології та здатні екстраполювати настрої на більш детальному рівні, ніж просто речення.

Друга проблема пов’язана з неправильними уявленнями про те, як настрої відображаються в новинах і коментарях у соціальних мережах. Як джерело розвідувальної інформації, новини можуть бути дуже інформативними, але абсолютно марними, коли йдеться про аналіз настроїв. Причина очевидна: настрої в добре написаних новинах повинні бути нейтральними. Соцмережі поводяться прямо протилежним чином. Розмови про криптовалюти в Twitter або Telegram, як правило, містять відповідні настрої, але здебільшого ґрунтуються на реакції на публічну важливу інформацію, що означає, що вони навряд чи створять будь-яку інформаційну перевагу. Крім того, ланцюжки соціальних мереж, як правило, шумні та відносно суб’єктивні, що може призвести до оманливих результатів аналізу настроїв.

З суто технологічної точки зору, створення ефективних моделей аналізу настроїв для Крипто вимагає моделей , навчених термінології Крипто , але які також аналізують новини як джерела інформації та канали соціальних мереж як підсилювачі настроїв. Однак, якщо ми подолаємо цей технологічний виклик, ми зіткнемося з ONE із найбільших психологічних помилок, коли йдеться про моделі аналізу настроїв у Крипто .

Помилка впливу настроїв на ринок

Помилка впливу настрою на ринок описує явище, яке є сумнозвісним або ірраціональним, наприклад фінансові Ринки , що зароджуються, на яких інвестори припускають прямий зв’язок між показником настрою та рухом ціни. Щоб пояснити цю динаміку поведінкової економіки, уявімо, що ви використовуєте інструмент аналітики, який аналізує настрої останніх твітів про Bitcoin . Психологічно більшість інвесторів схильні інтерпретувати сентимент як провідний індикатор, виходячи з наступних правил:

• Якщо настрій позитивний, це є бичачим показником для ціни Bitcoin.
• Якщо настрій негативний, це ведмежий показник для ціни Bitcoin.

Однак, якщо ваша модель аналізує загальнодоступну суттєву інформацію, настрої слід інтерпретувати як індикатор із затримкою, дотримуючись деяких неінтуїтивних правил:

• Якщо настрій позитивний і ціна Bitcoin не зростає, це є ведмежим сигналом.
• Якщо настрій негативний, а ціна Bitcoin не падає, це є бичачим сигналом.

Усвідомлення зміщення настроїв і ціни позиціонує аналіз настроїв не як провідний індикатор, а як часто відповідний фактор у торговій стратегії.

Від аналізу настроїв до аналізу впливу на ринок

З інформаційної точки зору Крипто галасливий і сповнений несподіваних Заходи. З точки зору аналізу настроїв, така комбінація факторів є кошмаром. Замість того, щоб зосереджуватися на аналізі настроїв, ми, ймовірно, повинні розробити більш цілісний підхід. Індикатор впливу на настрої ринку буде поєднанням полярності (негативний, позитивний, нейтральний), аналізу емоцій (тривога, збудження, сум…) і аналізу на основі аспектів (теми, сутності…) протягом тривалих періодів часу. Цей підхід вимагав би навчання моделей, що спеціалізуються на динаміці Крипто , щоб оцінити настрої в контексті конкретних ринкових умов.

Ідея моделей впливу настроїв і ринку концептуально тривіальна: кількісно оцініть вплив, який комбінації настроїв, емоцій і тем можуть мати на Крипто під час конкретних ринкових умов. Частина краси цього підходу полягає в тому, що він T повинен бути повністю неконтрольованим, як більшість сучасних моделей настроїв; його можна навчати знанням Крипто Ринки у певній галузі. Наприклад, ми могли б навчити модель Навчання , що позитивні статті про китайські інвестиції в Крипто можуть мати позитивний вплив на ринок, який був відносно зниженим протягом останнього тижня. CORE принципом моделей аналізу настроїв і впливу ринку буде контекстуалізація знань про моделі настроїв із специфікою Крипто .

Аналіз настроїв, ймовірно, KEEP викликати яскраві заголовки на ринку Крипто . Однак для того, щоб бути ефективними, моделі вимагають глибшого машинного навчання та накопичення знань на основі специфічної динаміки Крипто . У міру розвитку Ринки ми, ймовірно, побачимо перехід від простих методів аналізу настроїв до більш цілісних моделей впливу на ринок, які кількісно визначають актуальність конкретних тем у поведінці Крипто Ринки.