ВИВЧЕННЯ РОЛІ ТЕКСТОВОГО АНАЛІЗУ В ПРОГНОЗУВАННІ ЦІН НА Ф'ЮЧЕРСИ НА СОЄВУ ОЛІЮ

Анотація

Автори статті пропонують інноваційну структуру, яка поєднує текстову аналітику з кількох джерел із машинним навчанням для розв՚язання серйозної проблеми інформаційної асиметрії на ринку деривативів. Щоб розглянути недоліки традиційних структурованих моделей даних у фіксації спекулятивної торгової поведінки, автори кількісно оцінюють механізм передачі настроїв інвесторів на ф'ючерсний ринок за допомогою синергетичного моделювання з обробкою природної мови та складним мережевим аналізом. По-перше, побудовано метод розширення словника настроїв для предметної області ф'ючерсів на основі моделі BERT, який розв՚язує проблему недостатнього охоплення ф'ючерсних термінів у словниках загального призначення. По-друге, автори будують динамічну мережу стосунків із користувачами за допомогою алгоритму Лувена, інтегруючи три модальні особливості взаємодії: схожість контенту, синхронізацію часу та актуальність атрибутів, – щоб виявити структурні моделі еволюції високочастотних торгових груп і спільнот технічного аналізу в барі ф'ючерсів на соєву олію. Нарешті вони розробляють механізм оптимізації узгодженості заголовків і текстів на основі Generative Adversarial Network (GAN), щоб динамічно виявляти тексти, що конфліктують за настроями, за допомогою архітектури Transformer-CNN-MLP і заповнювати відсутні значення шляхом комбінації зі стратегією нейтрального заповнювача. Емпіричні дані показують, що модель LSTM, яка поєднує новий лексикон настроїв і метрики впливу спільноти зі змагальними вагами узгодженості, має найкращі прогнозні показники порівняно з іншими еталонними моделями. Цей досвід забезпечує інтерпретований технічний шлях для фінансового прогнозування на основі соціальних медіа шляхом синергії текстових неявних функцій із моделями групової взаємодії, а його модульний дизайн може бути поширений на царину управління товарними ризиками та RegTech.