Методы комбинаторной оптимизации таксономических фильтров обработки информации для прогнозирования финансовых рынков

Статья посвящена исследованию системного анализа предсказательной способности тональности информационных потоков на рынке криптовалют. Предлагается метод системного анализа и комбинаторной оптимизации таксономических фильтров обработки новостной информации для максимизации эффективности коэффициента тональности в задачах прогнозирования динамики цен криптовалют с учетом временных лагов. Разработан взвешенный коэффициент тональности с логарифмическим множителем объема информационного потока, учитывающий полярность настроения, уровень важности событий и интенсивность новостного потока. Экспериментально установлен парадокс уровня воздействия, при котором информация низкой видимости демонстрирует повышенную предсказательную способность по сравнению с официальными сообщениями высокого воздействия вследствие эффектов информационной асимметрии и предварительной интеграции критических событий в цены институциональными участниками. Систематическая комбинаторная оптимизация 39 комбинаций таксономических фильтров для 10 криптовалют позволила выявить отсутствие универсального подхода к фильтрации и определить четыре различных паттерна реакции активов на информационный фон. Для Bitcoin достигнута корреляция 0,3611 с опережающим лагом +3 дня при использовании фильтра информации низкой видимости, что обеспечивает значительное улучшение на 32 % по сравнению с базовым методом (корреляция 0,2737, запаздывающий лаг −6 дней). Метод валидирован на корпусе из 108637 классифицированных единиц информации за период с июня по сентябрь 2025 года с применением языковых моделей для многотаксономической классификации.

1. Bollen J., Mao H., Zeng X. Twitter Mood Predicts the Stock Market. Journal of Computational Science. 2011;2(1):1–8. https://doi.org/10.1016/j.jocs.2010.12.007

2. Kraaijeveld O., De Smedt J. The Predictive Power of Public Twitter Sentiment for Forecasting Cryptocurrency Prices. Journal of International Financial Markets, Institutions and Money. 2020;65. https://doi.org/10.1016/j.intfin.2020.101188

3. Valencia F., Gómez-Espinosa A., Valdés-Aguirre B. Price Movement Prediction of Cryptocurrencies Using Sentiment Analysis and Machine Learning. Entropy. 2019;21(6). https://doi.org/10.3390/e21060589

4. Merton R.C. A Simple Model of Capital Market Equilibrium with Incomplete Information. The Journal of Finance. 1987;42(3):483–510.

5. Tetlock P.C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market. The Journal of Finance. 2007;62(3):1139–1168.

6. Abraham J., Higdon D., Nelson J., Ibarra J. Cryptocurrency Price Prediction Using Tweet Volumes and Sentiment Analysis. SMU Data Science Review. 2018;1(3). https://scholar.smu.edu/datasciencereview/vol1/iss3/1

7. Shen D., Urquhart A., Wang P. Does Twitter Predict Bitcoin? Economics Letters. 2019;174:118–122. https://doi.org/10.1016/j.econlet.2018.11.007

8. Guyon I., Elisseeff A. An Introduction of Variable and Feature Selection. Journal of Machine Learning Research. 2003;3:1157–1182.

9. Loughran T., McDonald B. When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance. 2011;66(1):35–65. https://doi.org/10.1111/j.1540-6261.2010.01625.x

10. Makarov I., Schoar A. Trading and Arbitrage in Cryptocurrency Markets. Journal of Financial Economics. 2020;135(2):293–319. https://doi.org/10.1016/j.jfineco.2019.07.001