Detailansicht
Exploiting short-text topic modelling in application of cryptocurrency price prediction
Markus Tretzmüller
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Medieninformatik
Betreuer*in
Wilfried Gansterer
DOI
10.25365/thesis.60117
URN
urn:nbn:at:at-ubw:1-25103.15203.910672-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Während sich der Trend um alternative Daten in der Finanzindustrie fortsetzt, wurde die Messung öffentlicher Meinungen zu einem populären Forschungsgebiet. Die Herausforderung besteht darin, Meinungen, die signifikanten Einfluss auf die Preisentwicklung von Finanzwerten haben, zu quantifizieren. In dieser Arbeit wird eine generische Technik namens Sentiment Biterm Topic Model (sBTM) vorgestellt, die Sentiment-Analyse mit Kurztext-Themen-Modellierung vereint. sBTM erweitert Meinungen um eine Themen-Dimension. Dabei wird eine Sentiment-Analyse an der Wahrscheinlichkeitsverteilung der Themen vorgenommen. Diese Wahrscheinlichkeitsverteilung wird mit dem Biterm Topic Model, welches speziell für Kurztexte konzipiert ist, extrahiert. Ein Datensatz über eine Zeitspanne von 1.264 Tagen wird verwendet um herauszufinden ob Twitteraktivitäten Kryptowährungen beinflussen. Es werden mehrere Benchmark-Modelle erstellt um zu testen ob anhand Themen-spezifischer Analyse Kryptowährungen besser vorausgesagt werden können. Es wird bestätigt, dass der Themen-spezifische Ansatz besser funktioniert als das herkömmliche Pendant.
Abstract
(Englisch)
As the trend in financial industries to include alternative data into investment decision making continues, social sentiment analysis has become an active field of research. The challenge is to quantify public announcements which have significant impact on financial assets in order to predict price changes. In this study a generic technique, that combines sentiment analysis with short-text topic modelling called Sentiment Biterm Topic Model (sBTM) is proposed. sBTM expands mood time series with topic dimensions. It performs sentiment analysis on latent topic portions, extracted by the Biterm Topic Model, which is specifically designed to classify short-texts such as tweets. A long-ranging collection of tweets is leveraged to investigate if Twitter activities influence cryptocurrency price formation. Multiple baseline forecasts are explored and finally it is tested whether topic-specific analysis can enhance prediction accuracy. It is shown that the topic based approach is more effective than its non-topic counterpart.
Schlagwörter
Schlagwörter
(Englisch)
Topic Modelling Topic Modeling Sentiment Analysis NLP BTM
Schlagwörter
(Deutsch)
Themen-Modellierung Sentiment-Analyse NLP BTM
Autor*innen
Markus Tretzmüller
Haupttitel (Englisch)
Exploiting short-text topic modelling in application of cryptocurrency price prediction
Paralleltitel (Deutsch)
Kurztext-Themen-Modellierung zur Preisvorhersage von Kryptowährungen
Publikationsjahr
2019
Umfangsangabe
60 Seiten
Sprache
Englisch
Beurteiler*in
Wilfried Gansterer
Klassifikationen
54 Informatik > 54.72 Künstliche Intelligenz ,
54 Informatik > 54.82 Textverarbeitung
AC Nummer
AC15727542
Utheses ID
53128
Studienkennzahl
UA | 066 | 935 | |