論文の概要: Ask "Who", Not "What": Bitcoin Volatility Forecasting with Twitter Data
- arxiv url: http://arxiv.org/abs/2110.14317v1
- Date: Wed, 27 Oct 2021 09:55:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 15:38:23.158527
- Title: Ask "Who", Not "What": Bitcoin Volatility Forecasting with Twitter Data
- Title（参考訳）: twitterのデータでbitcoinのボラティリティを予測
- Authors: M. Eren Akbiyik, Mert Erkul, Killian Kaempf, Vaiva Vasiliauskaite,
Nino Antulov-Fantulin
- Abstract要約: 我々は、Twitterの公開ソーシャルメディアデータのディープラーニング表現を使用して、比較的新しい資産クラスの暗号通貨(特にBitcoin)のボラティリティ予測に重点を置いている。
フィールドワークのために、3000万以上のBitcoin関連ツイートからセマンティック情報とユーザーインタラクション統計を抽出した。
収集した情報を組み合わせて、いくつかのディープラーニングアーキテクチャを構築しました。
- 参考スコア（独自算出の注目度）: 2.9223917785251285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the variations in trading price (volatility), and its response
to external information is a well-studied topic in finance. In this study, we
focus on volatility predictions for a relatively new asset class of
cryptocurrencies (in particular, Bitcoin) using deep learning representations
of public social media data from Twitter. For the field work, we extracted
semantic information and user interaction statistics from over 30 million
Bitcoin-related tweets, in conjunction with 15-minute intraday price data over
a 144-day horizon. Using this data, we built several deep learning
architectures that utilized a combination of the gathered information. For all
architectures, we conducted ablation studies to assess the influence of each
component and feature set in our model. We found statistical evidences for the
hypotheses that: (i) temporal convolutional networks perform significantly
better than both autoregressive and other deep learning-based models in the
literature, and (ii) the tweet author meta-information, even detached from the
tweet itself, is a better predictor than the semantic content and tweet volume
statistics.
- Abstract（参考訳）: 取引価格の変動(ボラティリティ)と外部情報への反応を理解することは金融業界でよく研究されている話題である。
本研究では、twitterのソーシャルメディアデータのディープラーニング表現を用いて、比較的新しい資産クラス(特にbitcoin)に対するボラティリティの予測に焦点を当てた。
この分野では、3000万以上のbitcoin関連ツイートから意味情報とユーザーインタラクションの統計を抽出し、144日間で1日あたり15分間の価格データと組み合わせた。
このデータを用いて,収集した情報を組み合わせたディープラーニングアーキテクチャを構築した。
全てのアーキテクチャについて、各コンポーネントとモデル内の機能セットの影響を評価するためのアブレーション研究を行った。
仮説の統計的証拠を見つけました
(i)時間的畳み込みネットワークは、文献における自己回帰モデルや、他の深層学習モデルよりも著しく優れており、
(ii)ツイート作成者のメタ情報(ツイート自体から切り離された)は、セマンティックコンテンツやツイートボリューム統計よりも予測が優れている。
関連論文リスト
- Utilizing deep learning models for the identification of enhancers and
super-enhancers based on genomic and epigenomic features [0.0]
本稿では,9つの広く認識されている暗号通貨に着目した,英語のつぶやきの膨大なデータセットを広範囲に検証する。
我々の主な目的は、これらの暗号通貨に関連するソーシャルメディアコンテンツの心理言語学的・感情分析を行うことであった。
この研究は、様々なデジタルコインの言語特性を比較し、各コインのコミュニティに現れる独特の言語パターンに光を当てた。
論文 参考訳（メタデータ） (2024-01-15T04:58:50Z) - Interplay between Cryptocurrency Transactions and Online Financial
Forums [41.94295877935867]
本研究は、これらの暗号掲示板間の相互作用と暗号値の変動に関する研究に焦点をあてる。
これは、Bitcointalkフォーラムの活動がBTCの値のトレンドと直接的な関係を保っていることを示している。
この実験は、フォーラムデータが金融分野における特定の出来事を説明することを強調している。
論文 参考訳（メタデータ） (2023-11-27T16:25:28Z) - Harnessing the Power of Text-image Contrastive Models for Automatic
Detection of Online Misinformation [50.46219766161111]
誤情報識別の領域における構成的学習を探求する自己学習モデルを構築した。
本モデルでは、トレーニングデータが不十分な場合、非マッチング画像-テキストペア検出の優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-19T02:53:59Z) - Cryptocurrency Price Prediction using Twitter Sentiment Analysis [0.0]
この調査では、歴史的価格とツイートの感情を使ってBitcoinの価格を予測する。
我々は、一連のツイートの感情を予測し、Bitcoinの価格を予測できるエンドツーエンドモデルを開発した。
感情予測は平均絶対誤差9.45%、平均リアルタイムデータ、テストデータを与えた。
論文 参考訳（メタデータ） (2023-03-03T18:42:01Z) - Just Another Day on Twitter: A Complete 24 Hours of Twitter Data [39.98744837726886]
われわれは2022年9月21日から24時間以内に3億7500万件のツイートを収集した。
これは、研究コミュニティで利用可能な24時間Twitterデータセットの最初のものである。
論文 参考訳（メタデータ） (2023-01-26T21:28:40Z) - PreBit -- A multimodal model with Twitter FinBERT embeddings for extreme
price movement prediction of Bitcoin [8.38397409405955]
我々はビットコインの極端な価格変動を予測するためのマルチモーダルモデルを提案する。
このモデルは、さまざまな関連資産、技術的指標、およびTwitterコンテンツとして入力される。
平均的戦略を移動させるリスクを減らし、黒字取引戦略を構築するのに使用できることを示す。
論文 参考訳（メタデータ） (2022-05-30T19:25:12Z) - A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools
Stock Prediction [100.9772316028191]
本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。
以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2022-05-01T05:12:22Z) - Sentiment analysis in tweets: an assessment study from classical to
modern text representation models [59.107260266206445]
Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。
非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。
本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
論文 参考訳（メタデータ） (2021-05-29T21:05:28Z) - Using Twitter Attribute Information to Predict Stock Prices [0.0]
モデルは、LSTMと完全に接続されたレイヤのいくつかの層を持つニューラルネットワークに基づいています。
過去の株価、技術指標、twitterの属性情報で訓練されている。
その結果、より多くのTwitter属性を追加することで、予測価格と実際の価格の間のMSEが3%向上しました。
論文 参考訳（メタデータ） (2021-05-04T10:27:37Z) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳（メタデータ） (2020-10-28T17:53:57Z) - Real-Time Prediction of BITCOIN Price using Machine Learning Techniques
and Public Sentiment Analysis [0.0]
本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。
TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。
我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
論文 参考訳（メタデータ） (2020-06-18T15:40:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。