Decoding Market Emotions in Cryptocurrency Tweets via Predictive Statement Classification with Machine Learning and Transformers

1. Problema e Motivação

O mercado de criptomoedas é altamente volátil e impulsionado por especulação, onde o sentimento dos investidores nas redes sociais desempenha um papel crucial. A análise de sentimentos tradicional (positivo vs. negativo) é insuficiente neste contexto porque a mesma movimentação de preço pode gerar emoções opostas em diferentes investidores (ex.: um investidor pode ficar feliz com uma alta, enquanto outro fica frustrado por ter perdido a oportunidade de compra; ou um investidor pode ver uma queda como uma oportunidade de compra, sentindo-se otimista, enquanto outro sente medo).

O artigo identifica a lacuna na distinção entre a emoção do usuário e a intenção preditiva direcional de suas declarações. O objetivo é classificar tweets não apenas pelo tom emocional, mas pelo tipo de previsão de mercado feita: se o usuário espera uma alta, uma baixa ou estabilidade.

2. Metodologia

O estudo propõe um framework de classificação em duas etapas para tweets relacionados a cinco criptomoedas (Cardano, Matic, Binance, Ripple e Fantom):

• Tarefa 1 (Classificação Binária): Distinguir entre declarações Preditivas (falam sobre o futuro) e Não Preditivas (fatos passados, opiniões gerais).
• Tarefa 2 (Classificação Multiclasse): Para as declarações preditivas, categorizá-las em:
  • Incremental: Previsão de alta (tendência positiva).
  • Decremental: Previsão de baixa (tendência negativa).
  • Neutra: Previsão de estabilidade ou sem mudança significativa.

Coleta e Anotação de Dados

• Dataset: 3.116 tweets em inglês coletados entre setembro de 2021 e março de 2023.
• Anotação: Realizada manualmente por dois especialistas em Ciência da Computação e validada/auxiliada por modelos de IA (GPT-4o). O coeficiente Kappa de Cohen entre anotações humanas e do GPT foi de 0,7493, indicando alta confiabilidade.
• Aumento de Dados (Data Augmentation): Para resolver o desequilíbrio de classes (especialmente a classe "Neutra" e "Decremental" sendo minoria), utilizou-se o GPT para gerar paráfrases sintéticas das classes minoritárias, criando um conjunto de dados balanceado.

Extração de Emoções

Foi utilizado o SenticNet para extrair e agrupar emoções específicas (ex.: "Delight and Joy", "Fear and Anxiety", "Rage and Anger") associadas a cada categoria de previsão, permitindo analisar padrões emocionais distintos para cada tipo de previsão.

Modelos Avaliados

O estudo comparou três categorias de modelos:

1. Aprendizado de Máquina Tradicional: Regressão Logística, SVM (Linear e RBF), XGBoost, Random Forest (com vetores TF-IDF).
2. Deep Learning: CNN e BiLSTM (com embeddings GloVe e FastText).
3. Transformers: DistilRoBERTa, RoBERTa-base, BERT-base-uncased, XLM-RoBERTa.

A avaliação foi feita usando validação cruzada de 5 dobras, focando na métrica F1-Score Macro (para tratar todas as classes com igual importância) e F1-Score Ponderado.

3. Principais Contribuições

1. Novo Framework de Categorização: Introdução do conceito de "Declaração Preditiva" com subcategorias direcionais (Incremental, Decremental, Neutra), separando a intenção de mercado do tom emocional.
2. Dataset Anotado e Balanceado: Criação de um conjunto de dados rotulado com anotação híbrida (humana + GPT) e balanceado via paráfrase gerada por IA, superando o viés de classes desbalanceadas.
3. Análise de Emoções Específicas: Uso do SenticNet para mapear como emoções específicas (ex.: alegria vs. medo) se correlacionam com previsões de alta ou baixa, revelando que previsões de baixa podem, paradoxalmente, conter emoções positivas (oportunidade de compra).
4. Comparação Abrangente de Modelos: Avaliação sistemática de modelos tradicionais, deep learning e transformers em tarefas binárias e multiclasse.

4. Resultados

• Impacto do Balanceamento: O uso de paráfrases geradas por GPT para balancear os dados resultou em melhorias significativas no desempenho de todos os modelos, especialmente no F1-Score Macro, eliminando o viés em favor da classe majoritária.
• Desempenho por Tarefa:
  • Tarefa 1 (Binária): Os modelos baseados em Transformers (especialmente o XLM-RoBERTa) alcançaram os melhores resultados no dataset balanceado (F1-Macro de 0,7011), superando os modelos tradicionais e de deep learning.
  • Tarefa 2 (Multiclasse): Neste cenário mais complexo, os modelos tradicionais (especificamente Random Forest e SVM) performaram melhor entre as categorias testadas, com o Random Forest atingindo um F1-Macro de 0,6488. Os Transformers (DistilRoBERTa) ficaram em segundo lugar (0,5936), sugerindo que, para tarefas de granularidade fina com dados limitados, modelos tradicionais bem ajustados podem ser competitivos.
• Análise de Emoções:
  • Declarações Incrementais foram fortemente associadas a emoções positivas (Alegria, Entusiasmo).
  • Declarações Decrementais associaram-se a emoções negativas (Medo, Raiva), mas também apresentaram casos de emoções positivas (interpretação de baixa como oportunidade).
  • Declarações Neutras mantiveram altos níveis de positividade, indicando confiança de longo prazo mesmo sem previsão de movimento.

5. Significado e Conclusão

O estudo demonstra que a separação entre o sentimento emocional e a direção da previsão é crucial para uma análise de mercado precisa. Ignorar essa distinção pode levar a sinais de previsão enganosos (ex.: interpretar a alegria de um investidor que vê uma queda como oportunidade como um sinal de alta de mercado).

O framework proposto oferece uma ferramenta valiosa para investidores, reguladores e analistas, permitindo:

• Identificar bolhas especulativas ou pânico de mercado com maior precisão.
• Integrar sinais linguísticos direcionais a modelos de previsão de preços.
• Compreender a psicologia do mercado além do binário "positivo/negativo".

Limitações: O estudo focou apenas em dados em inglês do Twitter/X e não integrou dados de mercado em tempo real para validação direta da precisão preditiva dos preços. Trabalhos futuros visam expandir para múltiplos idiomas e integrar dados de preços em tempo real.