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

本研究探讨了不同的自然语言处理模型在社交媒体情感分析中的可用性，应用于金融市场预测，以加密货币领域为参考。我们研究了不同情感度量与比特币价格波动之间的相关性。通过实验我们发现有一个模型优于其他 20 多个公开模型，且通过 fine-tune 可以得到更好的性能，其解释性更强。因此我们证实可解释的人工智能和自然语言处理方法可能比不可解释的方法更有实际价值。最后，我们分析了不同情感度量与价格波动之间的潜在因果关系。

Apr, 2022

该研究旨在实时追踪并监测加密货币新闻，利用机器学习模型预测其发布后前 24 小时在 Twitter 上被提及的数量，并比较了多种模型，其结果表明随机森林自回归模型在大多数情况下表现良好。

Mar, 2019

通过引入基于用户声誉的 ' 液态民主 ' 方法，本文提出了一种分析比特币在 Twitter 上的趋势的新模型，旨在识别对比特币价格和交易量产生最大影响的趋势，以及它们的影响力。该模型使用了基于声誉评级系统的 Twitter 情感分析模型，以确定对比特币价格变化和交易量的影响。此外，声誉模型还考虑了社交网络上用户的高序好友（在本案例研究中为初始 Twitter 输入渠道），以提高声誉结果的准确性和多样性。通过分析 Twitter 上与比特币有关的新闻，我们了解趋势和用户情感如何通过我们的液态声誉评级系统来影响研究时间范围内的比特币价格波动和交易活动。该声誉模型也可以作为其他趋势和情感分析模型的附加层面。本文还提出了液态声誉模型的实施、挑战和未来范围。

Jun, 2024

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

本文提出了一种多模态预测模型，利用 Twitter 社交媒体以及其他相关资产价格和技术指标等预测比特币价格波动，最终构建一个能够准确预测市场运动的模型，提出了一种基于模型预测的交易策略，与传统策略相比风险更低，可用于实际交易。

May, 2022

本研究通过结合短文本主题建模和情感分析的技术来探讨 Twitter 等微博平台传达的叙述与加密资产价值之间的关系，揭示了涉及财务投资、技术进步、金融政策管制、媒体报道等 4-5 个与加密货币有关的叙述，并发现了其中部分叙述与加密货币价格之间的强关联。这一工作将最新的《叙事经济学》理论与主题建模和情感分析的研究领域相结合，以探讨与叙述相关的消费者行为。

Jun, 2023

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

该研究使用 HITS 算法，根据影响力分离数据集，分析了 Twitter 上具有影响力和不具有影响力的用户之间的差异，并采用主题建模揭示了这两个群体在比特币方面的语言和兴趣上的差异。我们发现少数用户（0.72%）代表了大多数（80%）比特币言论的权威性。

Mar, 2023

本研究分析了比特币价格的可能驱动因素，包括基本面、投机性和技术性来源，以及中国市场的影响。同时，我们还应用了连续小波分析框架考察了关系的时域和频域演化。

Jun, 2014