Mitos e Realidades: Análise de Sentimentos para Cripto

Jesus Rodriguez é o CTO e cofundador daDentro do Bloco, uma plataforma focada em habilitar uma infraestrutura inteligente para os Mercados de Cripto , além de cientista-chefe da empresa de IA Invector Labs e um investidor ativo, palestrante e autor em Cripto e inteligência artificial. Este artigo foi publicado originalmente no boletim informativo Institutional Cripto da CoinDesk.

Uma das crenças estabelecidas no mercado de Criptomoeda é sua suscetibilidade a notícias e mídias sociais. Como qualquer outro mercado financeiro nascente e ainda irracional, desenvolvimentos inesperados capturados em notícias ou mídias sociais tendem a impactar o preço. Como resultado, há um interesse crescente em alavancar técnicas de aprendizado de máquina, como análise de sentimento, para detectar possíveis correlações com o preço de criptomoedas e tokens digitais. Apesar de sua importância, a maioria das tentativas de alavancar a análise de sentimentos são muito básicas para produzir qualquer inteligência tangível e muitas vezes produzem resultados enganosos.

Os desafios de alavancar eficientemente a análise de sentimento para avaliar o comportamento de um ativo não são exclusivos do espaço Cripto . Produzir insights verdadeiros com base em sentimento textual é uma tarefa muito difícil que, na maioria das vezes, requer modelos de processamento de linguagem natural (PLN) otimizados para um domínio financeiro específico. Grandes fundos de hedge quantitativos usam exércitos de especialistas em aprendizado de máquina para treinar modelos de PNL em uma tarefa muito específica, como analisar relatórios de ganhos, a fim de obter uma vantagem em uma negociação de média frequência. Alavancando eficientemente a análise de sentimento para ativos Cripto requer profundidade e rigor de aprendizado de máquina.

Para entender essa afirmação, vamos começar nos aprofundando um BIT mais nas características dos métodos de análise de sentimento.

Uma introdução suave à análise de sentimentos

No Ato II, Cena II da famosa peçaRichelieu; Ou a Conspiração, o dramaturgo britânico Edward Bulwer-Lytton cunhou uma frase que transcendeu gerações: “A caneta é mais poderosa que a espada.” Séculos depois, essa famosa citação encapsula brilhantemente a importância da análise de sentimentos. Emoções na comunicação textual às vezes são mais propícias a ações do que ações físicas em si.

Conceitualmente, a análise de sentimentos é uma subdisciplina da PNL que se concentra em identificar os estados afetivos das comunicações textuais. Ao contrário das crenças populares, a análise de sentimentos não é uma técnica única, mas sim uma subdisciplina do espaço de aprendizado profundo que abrange diferentes tipos de detecção de afeto em dados textuais. Dessa perspectiva, há vários tipos de análise de sentimentos que podem ser relevantes no contexto da inteligência de criptoativos:

• Análise de Polaridade: Este tipo de análise de sentimento classifica o sentimento textual em positivo, negativo e neutro. Por exemplo, a frase “a Rally do preço do Bitcoin revigorou o mercado” provavelmente seria classificado como positivo pela maioria dos modelos.
• Análise de emoção/tom: Em vez de um qualificador geral para o texto, esse tipo de análise se concentra em pontuar os diferentes tipos de emoções presentes em um texto específico. Emoções como tristeza, felicidade ou raiva são um foco comum de algoritmos de análise de emoções. Por exemplo, a frase “essa Rally do Bitcoin é uma loucura”, mostrará altos níveis de excitação e alegria.
• Análise de sentimento de aspecto: Este tipo de análise de sentimento foca na interpretação do sentimento sobre assuntos específicos dentro de uma frase, em vez de uma frase como um todo. Por exemplo, na frase “Os futuros da Bakkt são um marco importante para o mercado de Bitcoin,” a análise de aspecto determinará o sentimento relacionado a “Bakkt futures” em vez da frase completa.

Olhando para a lista anterior, podemos ver claramente os benefícios da análise de sentimento para Cripto . No entanto, também há muitos desafios que devem ser considerados antes de se aventurar no uso desses tipos de técnicas. Contextualização, subjetividade, ironia ou até mesmo gramática ruim estão entre os fatores que podem facilmente enganar os melhores algoritmos de PNL.

Análise de sentimento para Cripto

Cripto é uma classe de ativos emergente que ainda é vulnerável à irracionalidade dos Mercados financeiros e à falta de canais de Aviso Importante adequados. Dessa perspectiva, é lógico supor que técnicas de PNL, como análise de sentimento, podem identificar fatores geradores de alfa ou beta inteligente para prever o comportamento de ativos Cripto . A realidade é um BIT diferente.

Ao aplicar a análise de sentimento a Cripto , provavelmente encontraremos dois tipos principais de desafios:

• Limitações das principais tecnologias de PNL quando aplicadas a um problema específico de domínio, como análise de Cripto .
• Suposições incorretas sobre como o sentimento é refletido nas notícias e nas mídias sociais.

O primeiro desafio pode quase ser visto como um efeito colateral inesperado do rápido crescimento das tecnologias de PNL. Hoje, é relativamente fácil para um desenvolvedor incorporar análise de sentimento em aplicativos usando APIs simples que T exigem nenhuma expertise em aprendizado profundo.

Embora as APIs de PNL possam ser eficazes na análise do sentimento de uma frase genérica, elas têm um desempenho extremamente ruim ao tentar extrapolar o conhecimento específico do domínio de uma frase específica. Por exemplo, analisar a frase “a aprovação de um ETF de Bitcoin pode ser iminente" requer modelos de PNL especializados na semântica da terminologia específica do mercado e que sejam capazes de extrapolar o sentimento em um nível mais granular do que apenas uma frase.

O segundo desafio está relacionado a equívocos sobre como o sentimento é refletido em notícias e comentários de mídia social. Como fonte de inteligência, as notícias podem ser altamente informativas, mas bastante inúteis quando se trata de análise de sentimento. O motivo é óbvio: o sentimento em notícias bem escritas deve tender a ser neutro. A mídia social se comporta exatamente da maneira oposta. Conversas sobre criptomoedas no Twitter ou Telegram tendem a conter sentimentos relevantes, mas, na maioria das vezes, são baseadas em uma reação a informações materiais públicas, o que significa que é improvável que gerem qualquer vantagem informacional. Além disso, os tópicos de mídia social tendem a ser barulhentos e relativamente subjetivos, o que pode produzir resultados enganosos de análise de sentimento.

De um ponto de vista puramente tecnológico, construir modelos de análise de sentimento eficazes para Cripto requer modelos treinados na terminologia dos Mercados de Cripto , mas que também analisem notícias como fontes de informação e feeds de mídia social como amplificadores de sentimento. No entanto, se superarmos esse desafio tecnológico, agora nos deparamos com um dos maiores equívocos psicológicos quando se trata de modelos de análise de sentimento no espaço Cripto .

A falácia do impacto do sentimento no mercado

A falácia do impacto do sentimento-mercado descreve um fenômeno que é notório ou irracional, como Mercados financeiros nascentes nos quais os investidores assumem uma correlação direta entre uma pontuação de sentimento e um movimento de preço. Para explicar essa dinâmica da economia comportamental, vamos imaginar que você esteja usando uma ferramenta de análise que analisa o sentimento de tuítes recentes sobre Bitcoin . Psicologicamente, a maioria dos investidores está inclinada a interpretar o sentimento como um indicador líder com base nas seguintes regras:

• Se o sentimento for positivo, isso é um indicador de alta para o preço do Bitcoin.
• Se o sentimento for negativo, isso é um indicador de baixa para o preço do Bitcoin.

Entretanto, se o seu modelo estiver analisando informações públicas e materiais, o sentimento deve ser interpretado como um indicador defasado seguindo algumas regras não intuitivas:

• Se o sentimento for positivo e o preço do Bitcoin não subir, isso é um sinal de baixa.
• Se o sentimento for negativo e o preço do Bitcoin não cair, isso é um sinal de alta.

Estar ciente do viés sentimento-preço posiciona a análise de sentimento não como um indicador líder, mas como um fator frequentemente relevante em uma estratégia de negociação.

Da análise de sentimentos à análise de impacto de mercado

Do ponto de vista informativo, o mercado de Cripto é barulhento e cheio de Eventos inesperados. Em termos de análise de sentimento, essa combinação de fatores é um pesadelo. Em vez de focar estritamente na análise de sentimento, provavelmente deveríamos desenvolver uma abordagem mais holística. Um indicador de impacto de sentimento-mercado seria uma combinação de análise de polaridade (negativa, positiva, neutra), emoção (ansiosa, animada, triste...) e baseada em aspectos (tópicos, entidades...) por longos períodos de tempo. Essa abordagem exigiria o treinamento de modelos especializados na dinâmica de ativos de Cripto para avaliar o sentimento no contexto de condições específicas de mercado.

A ideia de modelos de impacto de sentimento-mercado é conceitualmente trivial: quantificar o impacto que combinações de sentimento, emoções e tópicos podem ter em um ativo Cripto durante condições específicas de mercado. Parte da beleza dessa abordagem é que ela T precisa ser completamente não supervisionada como a maioria dos modelos de sentimento hoje; ela pode ser treinada em conhecimento específico de domínio de Mercados Cripto . Por exemplo, poderíamos treinar um modelo para Aprenda que artigos positivos sobre investimento chinês em Cripto podem ter um impacto positivo em um mercado que estava relativamente pessimista na última semana. O princípio CORE dos modelos de análise de impacto de sentimento-mercado seria contextualizar o conhecimento dos modelos de sentimento para as especificidades do mercado Cripto .

A análise de sentimento provavelmente KEEP gerando manchetes chamativas no mercado de Cripto . No entanto, para serem eficazes, os modelos exigem um rigor de aprendizado de máquina mais profundo e a construção de conhecimento com base na dinâmica específica dos Mercados de Cripto . À medida que os Mercados evoluem, provavelmente veremos uma transição de técnicas simples de análise de sentimento para modelos de impacto de mercado mais holísticos que quantificam a relevância de tópicos específicos no comportamento dos Mercados de Cripto .