L'analyse du sentiment sur les réseaux sociaux dans la crypto consiste à collecter des publications depuis des plateformes telles que Twitter (X), Reddit, Telegram et Discord, puis à utiliser le traitement du langage naturel pour classer le ton comme positif, négatif ou neutre. L'agrégation de ces classifications sur des milliers ou des millions de publications produit un score de sentiment reflétant l'humeur générale du marché à un moment donné.
Le défi de la collecte de données est important. Twitter génère à lui seul des millions de publications quotidiennes liées à la crypto. Filtrer les publications pertinentes du spam, de l'activité des bots et du contenu promotionnel nécessite une classification sophistiquée. Les différentes plateformes ont des rapports signal/bruit différents. Crypto Twitter a tendance à être plus informé, mais aussi plus enclin à la promotion excessive. Les fils Reddit contiennent souvent des discussions plus nuancées. Les groupes Telegram varient énormément en qualité.
L'analyse de sentiment basée sur des mots-clés est l'approche la plus simple, mais aussi la moins fiable. Compter les occurrences de mots tels que « haussier », « moon » ou « rekt » vous donne une mesure grossière, mais néglige le contexte. Le sarcasme, l'ironie et le jargon spécifique à la crypto rendent les approches par mots-clés sujettes aux erreurs. Les phrases « this coin is going to moon » et « they said this coin was going to moon, lol » ont des sentiments opposés, mais partagent la plupart des mêmes mots.
Les modèles d'apprentissage automatique entraînés sur du texte spécifique à la crypto performent nettement mieux. Ces modèles sont entraînés sur des jeux de données étiquetés de publications sur les réseaux sociaux crypto où des humains ont identifié le sentiment. Les modèles apprennent à reconnaître des motifs au-delà des mots-clés individuels, notamment le contexte, la structure des phrases et les motifs de langage spécifiques à la crypto. LunarCrush et Santiment sont des plateformes qui appliquent ces approches à grande échelle.
Les extrêmes du sentiment sont plus utiles que les niveaux absolus de sentiment. Lorsque le sentiment atteint des niveaux historiquement extrêmes, positifs ou négatifs, cela coïncide souvent avec des points de retournement du marché. L'euphorie extrême, où presque tout le monde est haussier, tend à précéder des corrections, car il reste peu de nouveaux acheteurs. La peur extrême, où presque tout le monde est baissier, précède souvent des rallyes, car les ventes sont épuisées. Cet usage contrariant des données de sentiment a un historique raisonnable.
Le volume des mentions sociales est une métrique distincte de la direction du sentiment. Un jeton peut avoir un sentiment positif, mais un faible volume de mentions, ce qui signifie que peu de personnes en parlent. Ou il peut avoir un sentiment mitigé, mais un volume de mentions très élevé, ce qui signifie qu'il attire l'attention quel que soit le ton. Les pics de volume de mentions précèdent souvent les mouvements de prix, car une attention accrue attire de nouveaux participants sur le marché.
La relation entre le sentiment et le prix n'est pas toujours causale dans le sens évident. Parfois, le sentiment entraîne le prix (l'enthousiasme des particuliers fait grimper un meme token). Parfois, le prix entraîne le sentiment (un rallye de 50 % rend tout le monde haussier après coup). Distinguer entre un sentiment qui précède le prix et un sentiment qui suit le prix est crucial pour utiliser efficacement ces données. Un sentiment précurseur est exploitable. Un sentiment retardataire est du bruit.
Le sentiment pondéré, qui accorde plus d'influence aux comptes ayant de plus grandes audiences ou une meilleure précision historique, peut produire des signaux plus utiles que le fait de traiter toutes les publications sur les réseaux sociaux de la même manière. Un analyste établi avec un historique éprouvé publiant une analyse haussière devrait avoir plus de poids qu'un compte bot ou un tout nouveau profil. Certaines plateformes de sentiment mettent en œuvre cette pondération, mais beaucoup ne le font pas.
L'approche pratique consiste à utiliser les données de sentiment comme un intrant parmi plusieurs, jamais comme un signal autonome. Des lectures de sentiment extrêmes qui s'alignent avec d'autres signaux techniques ou fondamentaux augmentent la conviction. Des données de sentiment qui contredisent votre thèse doivent vous amener à remettre en question vos hypothèses. Et soyez toujours conscient que le sentiment sur les réseaux sociaux est facilement manipulé par des campagnes coordonnées, des promotions payantes et des réseaux de bots, particulièrement pour les petits jetons dont la discussion organique est moins importante.