論文の概要: Targeted aspect-based emotion analysis to detect opportunities and precaution in financial Twitter messages
- arxiv url: http://arxiv.org/abs/2404.08665v1
- Date: Sat, 30 Mar 2024 16:46:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-21 20:04:31.245243
- Title: Targeted aspect-based emotion analysis to detect opportunities and precaution in financial Twitter messages
- Title（参考訳）: 財務的Twitterメッセージの機会と予防を目的としたアスペクトベースの感情分析
- Authors: Silvia García-Méndez, Francisco de Arriba-Pérez, Ana Barros-Vila, Francisco J. González-Castaño,
- Abstract要約: 同じツイートで、異なる株式市場資産の金銭的感情(肯定的、否定的な予測)を個別に識別できる新たなTABEA(Targeted Aspect-Based Emotion Analysis)システムを提案する。
自然言語処理(NLP)技術と機械学習ストリーミングアルゴリズムに基づいている。
ターゲットの感情、財務的機会、そしてTwitterの予防のために90%以上の精度を達成している。
- 参考スコア（独自算出の注目度）: 8.504685056067144
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Microblogging platforms, of which Twitter is a representative example, are valuable information sources for market screening and financial models. In them, users voluntarily provide relevant information, including educated knowledge on investments, reacting to the state of the stock markets in real-time and, often, influencing this state. We are interested in the user forecasts in financial, social media messages expressing opportunities and precautions about assets. We propose a novel Targeted Aspect-Based Emotion Analysis (TABEA) system that can individually discern the financial emotions (positive and negative forecasts) on the different stock market assets in the same tweet (instead of making an overall guess about that whole tweet). It is based on Natural Language Processing (NLP) techniques and Machine Learning streaming algorithms. The system comprises a constituency parsing module for parsing the tweets and splitting them into simpler declarative clauses; an offline data processing module to engineer textual, numerical and categorical features and analyse and select them based on their relevance; and a stream classification module to continuously process tweets on-the-fly. Experimental results on a labelled data set endorse our solution. It achieves over 90% precision for the target emotions, financial opportunity, and precaution on Twitter. To the best of our knowledge, no prior work in the literature has addressed this problem despite its practical interest in decision-making, and we are not aware of any previous NLP nor online Machine Learning approaches to TABEA.
- Abstract（参考訳）: Twitterが代表的な例であるマイクロブログプラットフォームは、市場スクリーニングや金融モデルのための貴重な情報ソースである。
それらの中で、ユーザは自発的に、投資に関する教育的な知識を含む関連情報を提供し、リアルタイムで株式市場の状態に反応し、しばしばこの状態に影響を与える。
我々は、資産に関する機会と予防を表現した金融・ソーシャルメディアメッセージのユーザー予測に興味を持っている。
我々は,異なる株式市場資産の財務的感情(肯定的,否定的な予測)を同一のつぶやきで個別に識別する,TABEA(Targeted Aspect-Based Emotion Analysis)システムを提案する。
自然言語処理(NLP)技術と機械学習ストリーミングアルゴリズムに基づいている。
本システムは、ツイートを解析し、より単純な宣言節に分割する選挙区解析モジュールと、テキスト、数値、カテゴリーの特徴をエンジニアリングし、その関連性に基づいて分析して選択するオフラインデータ処理モジュールと、ツイートをオンザフライで継続的に処理するストリーム分類モジュールとを備える。
ラベル付きデータセットの実験結果が我々のソリューションを裏付ける。
ターゲットの感情、財務的機会、そしてTwitterの予防のために90%以上の精度を達成している。
我々の知る限りでは、意思決定に実際的な関心があるにもかかわらず、文献における先行研究はこの問題に対処していないし、従来のNLPやTABEAに対するオンライン機械学習アプローチは知りません。
関連論文リスト
- Detection of Temporality at Discourse Level on Financial News by Combining Natural Language Processing and Machine Learning [8.504685056067144]
Bloomberg News、CNN Business、Forbesといった金融関連のニュースは、市場スクリーニングシステムにとって貴重なデータ源である。
談話レベルでの財務関連ニュースの時間性を検出する新しいシステムを提案する。
この分野の知識を持つ研究者によって注釈付けされた金融関連ニュースのラベル付きデータセットを用いて,本システムを検証した。
論文 参考訳（メタデータ） (2024-03-30T16:40:10Z) - Detection of financial opportunities in micro-blogging data with a stacked classification system [6.817247544942709]
ツイートの肯定的な予測を検知する新しいシステムを提案する。
具体的には、金融業者にかなりの量のツイートを提示するために、高い検出精度を求める。
3層積み重ね機械学習の分類システムで実現した。
論文 参考訳（メタデータ） (2024-03-29T12:23:44Z) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳（メタデータ） (2024-03-19T09:45:33Z) - Effect of Leaders Voice on Financial Market: An Empirical Deep Learning Expedition on NASDAQ, NSE, and Beyond [1.6622844933418388]
異なる分野のリーダーのTwitterハンドルのNLP分析に基づいて、ディープラーニングに基づくモデルを提案し、金融市場のトレンドを予測する。
インドとアメリカの金融市場は、将来他の市場が取られるように、現在の作業で探索されている。
論文 参考訳（メタデータ） (2024-03-18T18:19:08Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。
自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。
本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
論文 参考訳（メタデータ） (2023-07-05T20:16:20Z) - ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。
この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。
我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-05-23T16:40:07Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - The Battle of Information Representations: Comparing Sentiment and
Semantic Features for Forecasting Market Trends [0.5249805590164902]
市場の動向を予測するための感情属性よりも文脈埋め込みの形での意味的特徴が重要であるかを検討する。
当社は、NASDAQの資本化による大手企業に関連するTwitter投稿のコーパスとその価格設定について検討する。
以上の結果から,感情的特徴の活用により,有意な頻度で測定値が上昇することが示唆された。
論文 参考訳（メタデータ） (2023-03-24T18:30:15Z) - Identification of Twitter Bots based on an Explainable ML Framework: the
US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。
Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。
また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文 参考訳（メタデータ） (2021-12-08T14:12:24Z) - 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)
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。