通过整合计算机金融、比特币、算法交易、社交媒体情感和盈利能力方面的知识，我们成功地设计了算法交易策略，并证实了基于社交媒体情感的交易能够带来高盈利。

Jun, 2015

本论文通过比特币日常交易图表中的特征研究推断极端价格波动期间的预警指标（EWIs）的可能性，并证明了相对于奇异值分解或比特币交易总量的标量值，使用比特币区块链从 2012 年到 2017 年的时间段推断交易图的低维表示如何被用于预测极端价格波动事件。我们使用非负分解获得的 EWI 包含更多的预测信息。

Sep, 2018

本文研究了新冠疫情对全球 Bitcoin 价格的影响，使用机器学习模型测试了社会动荡和 COVID-19 大流行对比特币需求和价格的影响。

Jan, 2023

通过使用最近市场冲击理论中的新度量并基于易得到的公共信息，我们证明了市场流动性如何影响崩盘，为市场失稳提供了动态风险评估和预警，可实现市场崩盘机制的定量描述。

Mar, 2015

本研究旨在利用公共社交媒体数据（特别是 Twitter）的深度学习表示来寻找一种新资产类别 —— 加密货币（尤其是比特币）的波动率稳定且准确的波动率预测方法。研究利用超过 3000 万条比特币相关推文的语义信息和用户统计信息，并结合 144 天内每 15 分钟的价格数据来构建了多种深度学习构架。实证结果显示，时间卷积网络在预测精度上比经典自回归模型和其它深度学习构架表现更优，同时发现推文作者元信息是比推文的语义内容和推文体积更好的波动率预测因子。

Oct, 2021

加密货币论坛与比特币价值波动之间的相互作用的研究，强调论坛数据能够解释金融领域的特定事件，并且强调在某些话题集中讨论、比特币价格触顶以及价格下跌时的引用的相关性。

Nov, 2023

我们研究了比特币区块链中涉及零售用户的真实经济活动，包括频繁接收者、邻居和其他人的分类方法，并发现大多数实际交易涉及频繁接收者，占据了交易总价值的一小部分，但所有付款的显著部分，引发了比特币生态系统集中化的关注。我们还进行了一周内活动的模式分析，提供比特币用户地理位置的见解，并允许我们量化一个众所周知的用于演员识别的数据集的偏见。

Jul, 2023

利用浅层双向 LSTM 模型和特征工程方法对比特币价格进行预测，并显示在使用所提出的特征工程方法时，浅层深度神经网络优于其他流行的价格预测模型。

Oct, 2023

通过一项在线实验研究了区块链交易市场中交易者对同侪影响的敏感度以及设计选择对市场行为的影响。结果表明交易者的购买行为会导致购买行为的短期活跃，而交易所的设计会对此产生积极的社会和经济影响。

Jan, 2018

本研究提出了基于动态贝叶斯网络的方法，借助技术指标预测五种流行数字货币的价格趋势，并证明该模型的有效性。

Jun, 2023