Получение информации о настроениях и мнениях

Свежие новости или противоречивые сообщения в социальных сетях могут оказывать колоссальное влияние на мнение о компании или ее активах. Такая эмоциональная составляющая – сущность настроения на рынке – часто выражается в анализах, рыночных отчетах, причем все чаще посредством социальных сетей. Оценка настроения на рынке, основанная на новостях и сообщениях в Twitter, должна отражать самые последние сообщения, отчеты и анализы, чтобы приносить пользу. Повторяющееся освещение одной и той же темы в СМИ скорее всего окажет большее воздействие, чем единичное появление новости; надежность автора или источника информации также играют свою роль. Автоматическая оценка настроения, заложенного в тексте (извлечение информации о мнениях и анализ настроения, основанные на лингвистическом анализе), требует как экспертных финансовых знаний, так и глубокого понимания того, как разные мнения выражаются на различных медийных платформах: Twitter имеет отличительный словарь, каждый язык и даже каждый домен для выражения мнения использует различные речевые обороты и фразы.

Распознавание понятий и объектов, таких как данные аналитики, названия компаний или стран, обсуждалось ранее при разборе процесса распознавания понятия. Языковые образы, выражающие позитивное или негативное настроение, могут быть присвоены распознаваемой компании. Пример на рис. 4 позволяет присвоить две разные оценки (перспективу роста/остановки роста) соответствующим ценным бумагам.

Twitter описывается как «по-видимому, остановившийся», в то время как Facebook представлен как «растущий», что приводит к негативной оценке первого и позитивной оценке второго. Дифференцированное назначение каждой оценки соответствующему понятию является основополагающим для лингвистического движка econob и важным для дальнейшего анализа. Может собираться набор различных мнений в отношении одного объекта, из которого получается единая и единственная оценка для компании в каждом отрывке текста. Анализ еще более коротких текстов помогает получить общее представление, особенно если представлено много информации. Для примера посмотрите на твиты о Греции на рис 5.

Надежда и позитивные прогнозы оценены как «хорошие», в то время как строгие меры, долги и невыплаты окрашены негативно; это приводит к «очень плохой» оценке твита. Автоматический анализ тысяч твитов и новостных выпусков, таким образом, позволяет проводить сверхбыструю, беспристрастную и широкую оценку настроений на рынке, которая является актуальной в большей степени, чем если бы она была доступна только неделю спустя. Наиболее важным аспектом тем не менее является то, что эти результаты прозрачны, понятны и проверены.