Kriptodeviza-tweetimek érzelmeit fejti meg az új gépi tanulásos modell
Moein Shahiki Tash és öt társának új tanulmányában öt kriptodevíza, a Cardano, Matic, Binance, Ripple és Fantom tweetjeinek érzelmi mintáit elemezték.
Moein Shahiki Tash és öt társa a múlt héten feltöltötte az arXiv-re legújabb tanulmányát, amely egy új osztályozási keretrendszert mutat be a kriptodeviza-tweetek piaci érzelmeinek dekódolására. A kutatás öt népszerű kriptodevízát – a Cardano-t, a Matic-ot, a Binance-t, a Ripple-t és a Fantomot – vizsgálja, és kétlépcsős osztályozást alkalmaz: először a tweetek prediktív vagy nem‑prediktív jellegét határozza meg, majd a prediktív tweeteket három csoportba sorolja – növekvő, csökkenő vagy semleges várakozások.
Az elmúlt években a kriptovaluták térnyerése a közösségi médiában is felgyorsult, így a spekulációs aktivitás egyre inkább a tweetekben tükröződik. A hagyományos érzelem‑elemzések általában csak általános hangulatot mérnek, míg ez a keret kifejezetten a piaci előrejelzéseket tartalmazó állításokra fókuszál, ezáltal finomabb képet ad a befektetők várakozásairól.
A tanulmány adatbázisát kézi és GPT‑alapú annotáció kombinációjával hozták létre, a SenticNet segítségével extra érzelem‑jellemzőket nyertek ki minden prediktív kategóriához. Az osztályok közti egyensúlyhiányt GPT‑generált átfogalmazásokkal orvosolták. A szerzők széles skálájú gépi‑tanulási, mély‑tanulási és transzformer‑modelleket teszteltek: a transzformer‑modellek a feladat első szakaszában, a bináris prediktív/nem‑prediktív osztályozásban érték el a legmagasabb F1‑pontszámot, míg a hagyományos gépi‑tanulási algoritmusok a második szakaszban, az Incremental/Decremental/Neutral kategorizálásban teljesítettek a legjobban.
A modell által feltárt érzelmi minták egyértelműen különböznek a három prediktív kategória között, és minden vizsgált kriptodevíz esetében sajátos érzelem‑profil jelenik meg. A kutatók szerint ez a megközelítés új eszközt biztosíthat a piaci elemzők és a kereskedők számára, akik a tweetekből származó finomhangolt hangulat‑információkat szeretnék felhasználni a döntéshozatalhoz.
A kutatók a jövőben a modell valós‑időben történő alkalmazását és más kriptodeviza‑párok bevonását tervezi, de a részletek egyelőre nem ismertek.