BirdiBlue - это приложение для анализа настроений, разработанное SynergyCrowds. Это доступно на платформе SynergyCrowds по адресу https://crypto.synergycrowds.com. При первоначальной настройке (июль 2018 г.) его поток - это входящие данные из Twitter относительно #Bitcoin.
Анализ настроений
Анализ настроений - это отрасль науки о данных, охватывающая извлечение мнений, чувств или отношений по определенному вопросу путем использования алгоритмов машинного обучения для классификации их как положительные / отрицательные / гнев / радость и т. Д.
Этот анализ становится все более и более важным, поскольку в последние годы огромные объемы данных стали доступны бесплатно. Будь то отзывы о каком-либо электронном устройстве, впечатления от пребывания в отеле или настроения толпы на криптовалютных рынках, анализ настроений может предоставить ценные знания. И он может эффективно заменить дорогостоящие (время, деньги, человеческие ресурсы) исследования рынка, специально созданные для сбора информации по этим вопросам.
BirdieBlue родился из-за необходимости фильтровать весь шум, создаваемый вокруг криптовалютных рынков и Биткойн, в частности. Это популярная тема, и, конечно же, есть много связанных сплетен. Для тех, кто занимается анализом рынка криптовалют, vox populi также должен быть индикатором.
В своем подходе мы рассматривали настроения на рынках криптовалют как положительные или отрицательные и создали механизм для количественной оценки интенсивности этих настроений. .
Процесс подачи заявок
Приложение собирает данные из Twitter и сохраняет их в хранилище данных, где они становятся доступными для дальнейшей предварительной обработки. Процесс извлечения заключается в применении некоторых предопределенных фильтров, чтобы гарантировать сбор только релевантных данных.
Процесс (см. Рисунок ниже) продолжается числовым преобразованием текста. Алгоритмы работают с числами, а не со словами. Это означает, что каждое слово в твите (даже смайлики :)] будет закодировано соответствующими числами.
Вышеупомянутые шаги являются частью фазы предварительной обработки, которая, даже если она не кажется впечатляющей, имеет решающее значение для успеха всего процесса. Знаете ли вы, что в работе специалистов по обработке данных около 80% времени уходит на подготовку данных для анализа и управление ими?
После завершения предварительной обработки данных происходит фактический анализ. Каждый твит обрабатывается через рекуррентную нейронную сеть, из которой извлекаются настроения. Сеть принимает решение о релевантных словах в твите, основываясь на предыдущем опыте, из которого она извлекла уроки.
Старые или новые, обнаруженные правила хранятся в Лексиконе, который представляет собой словарь, хранящий в памяти все знания, касающиеся классификации настроений.
Основываясь на нескольких факторах (например, количестве, количестве твитов), приложение вычисляет интенсивность настроений (положительных и отрицательных) и предоставляет их пользователю с учетом определенных временных рамок.
Временные рамки - важная особенность при анализе настроений (как и при анализе финансовых данных). Внезапное изменение интенсивности настроений может быть результатом разрушительного выпуска новостей, но следует также взглянуть на общую картину, чтобы проверить устойчивость этого изменения и сравнить ее с предыдущими значениями.
Настроение толпы может быть важным индикатором для торговли. Было создано и протестировано несколько стратегий [1,2,3], направленных на использование этой информации. Обычно наилучшие результаты можно получить в сочетании с другими индикаторами, основанными на цене, и, конечно же, требуется настройка стратегии.
Введение в платформу SynergyCrowds можно найти по адресу https://medium.com/synergycrowds/synergycrowds-platform-introduction-82a3bd45588f
Чтобы наблюдать за работой BirdieBlue, загляните на платформу SynergyCrowds или следите за обновлениями проекта SynergyCrowds на нашем сайте www.synergycrowds.io!
Ссылки
1. Сул, Х.К., Деннис, А.Р. и Юань Л.И., 2017. Торговля в твиттере: использование настроений в социальных сетях для прогнозирования доходности акций. Decision Sciences, 48 (3), стр.454–488.
2. Оливейра, Н., Кортез, П. и Ареал, Н., 2017. Влияние данных микроблогов на прогнозирование фондового рынка: использование Twitter для прогнозирования доходности, волатильности, объема торгов и индексов настроений. Экспертные системы с приложениями, 73, стр.125–144.
3. Sun, Y., Fang, M. и Wang, X., 2018. Новая система рекомендаций по акциям, основанная на анализе настроений Губы. Персональные и повсеместные вычисления, 22 (3), стр. 575–587.
