یک خبر درباره بیت‌کوین ممکن است در چند دقیقه در ده‌ها رسانه و کانال تکرار شود. تعداد بازنشرها به‌تنهایی نشان نمی‌دهد که چند رویداد مستقل رخ داده یا بازار چگونه به آن واکنش نشان خواهد داد. تحلیل احساسات بازار با هوش مصنوعی زمانی مفید است که خبرها را به رویدادهای قابل بررسی تبدیل کنیم، زمان و اعتبار هر کدام را بسنجیم و برداشت مدل را جدا از متن خبر نگه داریم.
در این مقاله چه می‌خوانیم؟
در این راهنما، یک روش عملی برای جمع‌آوری خبر، حذف تکرار، پرسیدن سؤال دقیق از ابزار و ساختن سناریوهای مشروط می‌خوانید. نمونه تاریخیِ اطلاعیه جعلی و سپس تأیید رسمی محصولات بورسی بیت‌کوین نشان می‌دهد چرا یک برچسب «مثبت» یا «منفی» برای تصمیم‌گیری کافی نیست. همچنین نتیجه یک پژوهش واقعی درباره تحلیل تیترهای بیت‌کوین را بررسی می‌کنیم.
احساسات خبر چه چیزی را نشان می‌دهد؟
سنتیمنت بازار با هوش مصنوعی در ساده‌ترین شکل، برداشت مدل از لحن یا اثر احتمالی یک متن بر انتظارات معامله‌گران است. یک خبر ممکن است برای دسترسی سرمایه‌گذاران به بیت‌کوین مثبت ارزیابی شود، اما درباره نوسان کوتاه‌مدت پاسخ نامطمئن بگیرد. این دو پرسش را باید جدا مطرح کرد. همچنین «مثبت بودن خبر» با افزایش قیمت در ساعت یا روز بعد برابر نیست؛ قیمت می‌تواند پیش از انتشار خبر تغییر کرده باشد.
برای هر خبر دست‌کم چهار خانه در یادداشت خود داشته باشید: واقعیت تأییدشده، منبع و زمان آن، برداشت مدل، و چیزی که هنوز معلوم نیست. اگر متن اصلی را ندیده‌اید، از مدل بخواهید وضعیت را «نیازمند بررسی» ثبت کند. امتیاز اطمینان مدل را هم احتمال آماریِ رشد قیمت نخوانید؛ چنین عددی بدون آزمون و کالیبراسیون، فقط بخشی از خروجی همان مدل است.
یک مجموعه خبر تاریخ‌دار بسازید
پیش از تحلیل اخبار ارز دیجیتال با AI، بازه زمانی و دارایی مورد نظر را مشخص کنید؛ مثلاً «خبرهای مربوط به بیت‌کوین در ۹ و ۱۰ ژانویه ۲۰۲۴». در هر ردیف، عنوان، نام منتشرکننده، زمان انتشار با منطقه زمانی، زمان وقوع رویداد در صورت ذکر، متن یا گزیده دقیق و وضعیت تأیید را ثبت کنید. تاریخ انتشار یک گزارش ممکن است با تاریخ رویدادی که روایت می‌کند فرق داشته باشد.
برای خبرهای قانونی یا تصمیم‌های رسمی، متن نهاد تصمیم‌گیر را مبنای تأیید قرار دهید. رسانه‌ها برای پیدا کردن موضوع و دیدن واکنش‌ها کمک می‌کنند، اما بازنویسی یک اطلاعیه، شاهد مستقل دوم درباره وقوع آن رویداد نیست. اگر زمان دقیق رویداد یا منبع اولیه روشن نیست، این خلأ را در داده نگه دارید؛ پر کردن آن با حدس، ترتیب خبرها و نتیجه تحلیل را خراب می‌کند.
اعتبار منبع و خبرهای تکراری را بررسی کنید
دو مطلب با تیترهای متفاوت ممکن است هر دو به یک بیانیه اشاره کنند. ابتدا رویداد، نهاد صادرکننده و تاریخ را کنار هم بگذارید. نسخه‌های بازنشرشده را زیر همان رویداد نگه دارید تا مدل آن را چند خبر مستقل حساب نکند. در یک پژوهش درباره تیترهای بیت‌کوین، پژوهشگران پیش از ساخت شاخص احساسات، تیترهای کاملاً یکسان را حذف کردند. در کار روزمره بهتر است تکرارهای بازنویسی‌شده را نیز با بررسی انسانی شناسایی کنید.
اعتبار را با شهرت نامِ روی یک پست یکی نگیرید. ببینید ادعا در محل رسمیِ انتشار تصمیم هم ثبت شده است یا نه، متن کامل با تیتر سازگار است یا نه و آیا تصحیحیه‌ای بعداً منتشر شده است. نبود تأیید را به معنای رد قطعی خبر نگیرید؛ تا روشن شدن وضعیت، آن را در گروه «تأییدنشده» بگذارید و در جمع‌بندی رویدادهای قطعی وارد نکنید.
از ChatGPT چه بخواهیم؟
می‌توانید مجموعه کوچک خبرها را با متن و مشخصاتشان در گفت‌وگو قرار دهید یا داده‌های مرتب‌شده را در فایل به ChatGPT بدهید. راهنمای رسمی این ابزار، تحلیل فایل و جست‌وجوی وب را توضیح می‌دهد؛ دسترسی و شیوه نمایش قابلیت‌ها به حساب و تنظیمات شما بستگی دارد. اگر از جست‌وجوی وب استفاده می‌کنید، صفحه‌های اصلی را خودتان باز کنید، چون فهرست منابع و پاسخ جست‌وجو نیز ممکن است ناقص یا نادرست باشد.
یک درخواست قابل استفاده چنین است: «فقط بر اساس خبرهای داده‌شده، برای هر ردیف واقعیت قابل نقل، منبع، تاریخ انتشار، تاریخ رویداد، دارایی مرتبط و وضعیت تأیید را جدا کن. مواردی را که به یک رویداد اشاره دارند گروه‌بندی کن. سپس برداشت احتمالی خبر از جهت احساسات کوتاه‌مدت را با برچسب مثبت، منفی، خنثی یا نامعلوم بنویس و دلیل را به همان متن محدود کن. هر داده گمشده را نامعلوم ثبت کن. در پایان دو سناریوی مشروط و نشانه ابطال هر کدام را بده؛ قیمت یا احتمال عددی نساز.»
اگر می‌خواهید سؤال‌ها را برای خبرهای گوناگون دقیق‌تر تنظیم کنید، پرامپت تحلیل اخبار به شما کمک می‌کند ورودی و قالب پاسخ را ثابت نگه دارید. برای سنجیدن نتیجه کنار اطلاعات دیگر بازار نیز می‌توانید از چارچوب ترکیب داده‌ها در تحلیل بیت کوین استفاده کنید. هیچ‌کدام جای بررسی خبر اصلی و داده هم‌زمان بازار را نمی‌گیرد.
نمونه تاریخی: دو روز و دو وضعیت متفاوت
در ۹ ژانویه ۲۰۲۴، پستی از حساب شبکه اجتماعی کمیسیون بورس و اوراق بهادار آمریکا منتشر شد که مدعی تأیید محصولات بورسی نقدی بیت‌کوین بود. خودِ کمیسیون همان روز اعلام کرد حسابش در اختیار فرد غیرمجاز قرار گرفته و آن پست را کارکنانش منتشر نکرده‌اند. بنابراین اگر کسی در همان لحظه تنها متن پست را به مدل می‌داد، ممکن بود برداشت مثبتی از محتوای ادعا بگیرد، در حالی که وضعیت تأیید رویداد «نادرست» بود.
در ۱۰ ژانویه ۲۰۲۴، کمیسیون واقعاً تأیید فهرست‌شدن و معامله تعدادی از سهام محصولات بورسی نقدی بیت‌کوین را اعلام کرد. این دو مورد در مجموعه خبر باید دو ردیف با تاریخ، وضعیت و نتیجه بررسی متفاوت باشند: ادعای جعلیِ روز نخست و تصمیم رسمیِ روز بعد. اطلاعیه بعدی، پست جعلی روز قبل را به خبر معتبر تبدیل نمی‌کند. اینجا برچسب احساسات فقط پس از تعیین وضعیت هر رویداد معنا پیدا می‌کند.
برای سناریوسازی، می‌توانستیم در روز نخست بنویسیم: «اگر تصمیم در محل رسمی منتشر نشود، ادعا را تأییدنشده نگه می‌داریم و اثر آن را مبنای معامله قرار نمی‌دهیم.» پس از اطلاعیه روز دوم، سناریوی دیگری مطرح می‌شد: «اگر واکنش بازار و حجم معاملات نیز بررسی شود، می‌توان سنجید آیا خبر تازه هنوز در قیمت بازتاب می‌یابد.» اینها بازسازی آموزشیِ تصمیم‌های ممکن در آن مقطع‌اند، نه خروجی ثبت‌شده یک اجرای ChatGPT یا پیش‌بینیِ بازده.
یک کاربرد واقعیِ ثبت‌شده چه نتیجه‌ای داشت؟
پژوهشی منتشرشده در آوریل ۲۰۲۶، از ChatGPT برای ارزیابی تیترهای مرتبط با بیت‌کوین استفاده کرد. داده‌های خبری و قیمتی پژوهش بازه ۱ ژانویه ۲۰۲۱ تا ۳۱ مارس ۲۰۲۴ را پوشش می‌داد. پژوهشگران تیترهای کاملاً تکراری را کنار گذاشتند و برای هر تیتر، پرسش‌های جداگانه‌ای درباره جهت احتمالی تغییر قیمت، تغییر نوسان و سطح نوسان مطرح کردند. پاسخ‌ها سپس به شاخص‌های روزانه تبدیل شد و در مدل‌های آماری به کار رفت.
نتیجه برای کاربرد عملی مهم است: شاخص‌های مبتنی بر احساسات خبر، برازش برخی مدل‌ها را در داده‌های همان دوره بهتر کردند، اما در پیش‌بینی بیرون از نمونه، بهبود معناداری برای بازده و نوسان بیت‌کوین نشان ندادند. این یک اجرای پژوهشی واقعی است، ولی گزارش مقاله زمان دقیق پردازش هر تیتر و متن کامل همه پاسخ‌های مدل را ارائه نمی‌کند. بنابراین نمی‌توان از آن خروجی یک تیتر خاص یا زمان اجرای دقیق مدل را نقل کرد. پژوهش همچنین فقط از تیترها استفاده کرده بود؛ متن کامل خبر، داده‌های زنجیره‌ای و واکنش شبکه‌های اجتماعی در آن شاخص‌ها نبودند.
از برداشت مدل به سناریوی مشروط برسید
پس از تأیید خبر و حذف تکرارها، به جای درخواست «جهت بعدی بازار»، دو یا سه مسیر وابسته به شواهد بنویسید. برای نمونه تاریخی تأیید محصولات بورسی بیت‌کوین، یک مسیر این بود که توجه تازه همراه با داده‌های بازار ادامه پیدا کند؛ مسیر دیگر این بود که اثر خبر پیش‌تر در قیمت منعکس شده باشد. هیچ‌یک از این دو مسیر، صرفاً از متن اطلاعیه ثابت نمی‌شود.
برای هر مسیر بنویسید چه داده‌ای باید بعداً دیده شود و چه مشاهده‌ای آن را تضعیف می‌کند. زمان ارزیابی را نیز معلوم کنید؛ برداشت یک‌ساعته با سناریوی چندروزه یکی نیست. اگر داده قیمت یا حجم را کنار خبر می‌گذارید، زمان ثبت آن را با زمان انتشار خبر هماهنگ کنید. داده‌ای که بعداً معلوم شده نباید در توضیح تصمیمی که قرار بوده پیش از آن گرفته شود، وارد شود.
در این مرحله آموزش ترید با هوش مصنوعی می‌تواند چارچوب کلی مدیریت تصمیم و ریسک را تکمیل کند. صفحه هوش مصنوعی وانفینکس نیز مسیر جداگانه‌ای برای آشنایی با خدمات آن است؛ روش تحلیل خبر در این مقاله به قابلیت مشخصی در آن محصول نسبت داده نمی‌شود.
خطاهایی که نتیجه را منحرف می‌کنند
تیتر هیجان‌انگیز ممکن است درباره شایعه، پیشنهاد یا تصمیم قطعی باشد. اگر این سه در یک گروه قرار گیرند، مدل به‌سادگی برداشت غلط می‌سازد. همین مشکل وقتی رخ می‌دهد که خبرِ قدیمی با تاریخ بازنشر تازه وارد مجموعه شود یا نام یک دارایی در خبر آمده باشد، اما موضوع اصلی خبر دارایی دیگری باشد. قبل از جمع‌بندی، چند ردیف را با متن کامل و منبع اصلی تطبیق دهید.
برچسب‌های مثبت و منفی را بدون توضیح هدف استفاده نکنید. یک تحول ممکن است برای پذیرش بلندمدت بیت‌کوین مثبت تعبیر شود و هم‌زمان درباره نوسان کوتاه‌مدت پاسخ نامعلوم داشته باشد. از مدل بخواهید جمله‌ای را که مبنای برداشتش بوده مشخص کند و وقتی شواهد دوطرفه‌اند، «مختلط» یا «نامعلوم» بدهد. اگر پاسخ به عدد یا رویدادی اشاره کرد که در ورودی نیست، آن بخش را حذف و دوباره بررسی کنید.
جمع‌بندی
تحلیل احساسات بازار با هوش مصنوعی از یک مجموعه خبر مرتب آغاز می‌شود: تاریخ رویداد و انتشار، منبع اصلی، وضعیت تأیید و گروه‌بندی بازنشرها باید روشن باشد. پس از آن می‌توان از مدل برای استخراج برداشت‌های متفاوت و نوشتن سناریوهای قابل ابطال کمک گرفت. نمونه ژانویه ۲۰۲۴ نشان می‌دهد حتی پستی که ظاهراً از حساب یک نهاد رسمی آمده، ممکن است خبر معتبر نباشد.
پژوهش تیترهای بیت‌کوین نیز حد این روش را نشان می‌دهد: احساسات استخراج‌شده می‌تواند اطلاعات هم‌زمان بازار را خلاصه کند، بی‌آنکه پیش‌بینی بیرون از نمونه را بهتر کند. در عمل، خروجی مناسب گزارشی است که می‌گوید چه اتفاقی افتاده، چه چیز هنوز نامعلوم است و هر سناریو با کدام داده بعدی آزموده می‌شود. چنین گزارشی برای بررسی تصمیم مفیدتر از یک برچسب قطعی خرید یا فروش است.
