[论文解读] Social Media Sentiment Analysis for Cryptocurrency Market Prediction

Ali Raheman, Anton Kolonin+3 more|arXiv (Cornell University)|Apr 19, 2022

Stock Market Forecasting Methods被引用 14

一句话总结

本文评估了用于社交媒体情感分析的自然语言处理模型在预测比特币价格走势中的表现，发现可解释模型在准确性和微调效率方面优于20多个公开模型。研究证实，在金融预测应用中，可解释人工智能方法相较于不可解释的替代方案具有实际优势。

ABSTRACT

In this paper, we explore the usability of different natural language processing models for the sentiment analysis of social media applied to financial market prediction, using the cryptocurrency domain as a reference. We study how the different sentiment metrics are correlated with the price movements of Bitcoin. For this purpose, we explore different methods to calculate the sentiment metrics from a text finding most of them not very accurate for this prediction task. We find that one of the models outperforms more than 20 other public ones and makes it possible to fine-tune it efficiently given its interpretable nature. Thus we confirm that interpretable artificial intelligence and natural language processing methods might be more valuable practically than non-explainable and non-interpretable ones. In the end, we analyse potential causal connections between the different sentiment metrics and the price movements.

研究动机与目标

• 评估不同NLP模型从社交媒体中提取情感以用于金融市场预测的有效性。
• 评估情感指标与比特币价格走势之间的相关性。
• 识别在加密货币预测中最具准确性和效率的情感分析模型。
• 探究可解释人工智能在金融NLP应用中的实际价值。

提出的方法

• 作者从公开平台收集并预处理与比特币相关的社交媒体文本数据。
• 他们应用多个预训练的NLP模型从文本数据中提取情感分数。
• 计算并比较不同的情感指标，以评估其对历史比特币价格走势的预测准确性。
• 由于其可解释的架构，表现最佳的模型得以高效微调。
• 使用统计相关性和时间对齐技术分析情感趋势与价格变动之间的因果关系。

实验结果

研究问题

• RQ1 哪种NLP模型能从社交媒体文本中生成最准确的情感分数以预测比特币价格走势？
• RQ2 情感指标与实际比特币价格变动之间的相关性有多强？
• RQ3 可解释的NLP模型在此项金融预测任务中是否优于不可解释的模型？
• RQ4 模型可解释性对微调效率和实际部署有何影响？

主要发现

• 一种特定的NLP模型在预测比特币价格走势方面优于20多个公开可用的模型。
• 表现最佳的模型因其可解释的设计，在准确性和微调效率方面表现出色。
• 从社交媒体提取的情感指标与后续比特币价格变动之间存在可测量的相关性，尽管并非总是很强。
• 在金融预测背景下，可解释人工智能方法被发现比不可解释模型更具实际价值。