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

DeepTrust是一种利用Twitter提供可靠的金融知识检索框架，包含三个模块：异常检测、信息检索和可靠性评估，并使用最先进的NLP技术确保数据的准确性。该框架以历史定价数据为基础，使用机器学习模型识别异常资产价格变化，并使用增强的动态搜索条件从Twitter检索相关的非结构化数据。通过追踪生成语言模型、论证结构、主观性和情感信号的信息可靠性来确保有效的市场洞察。该框架被证明能够精确地筛选不可靠信息，可以作为根据社交媒体平台认证的知识帮助交易员实时达成关于价格异常的投资决策。

Mar, 2022

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

本研究探讨社交媒体、低成本交易平台和纯真投资者相交的情况，创建了一个基于社交媒体帖子的预测模型工具，可对Pump&Dump式的市场操纵提前进行预警，并在最佳模型下实现了85%的准确率和62%的F1得分。

Jan, 2023

通过利用社交媒体数据和宏观经济指标来精确预测股市，这篇论文介绍了一种新的方法，该方法包括有效提取和解码推文数据的高效推文过滤器，以及在语义空间中识别股票、行业和宏观经济因素之间多层次关系的自我感知机制，进而利用股票价格波动实现提高准确性。

Dec, 2023

该研究通过收集关于2017年1月27日特斯科公司和布克集团在伦敦证券交易所上市所宣布的并购事件的Twitter数据，进行了关于Twitter对金融市场的渗透性以及可能的不规则性的实时监测的实验研究，结果表明尽管Twitter并非专门的金融论坛，但它对金融事件具有渗透性。

Dec, 2023

本研究提出了自动分类器来区分冲突的$标签并通过分析涉及股票公司和加密货币的推文的独特特征来区分它们的容器推文。实验结果确认了当存在冲突或同音异义的$标签时，所收集数据的显著失真。根据我们的结果，包括加密货币和股票公司标签的推文的独特特征支持冲突推文（同音异义的$标签）的准确分类，独立模型作为最脱离训练数据的分类器具有在不同股票市场中适用的潜力，同时保持性能。

Dec, 2023

本研究目的是调查情感分析如何应用于外汇市场生成交易信号，作者通过词典分析和朴素贝叶斯机器学习算法，评估了与美元有关的社交媒体帖子和新闻文章的情感。研究结果表明情感分析在预测市场走势和制定交易信号方面具有价值，并且其有效性在不同市场条件下保持一致。作者得出结论，通过分析新闻和社交媒体中表达的情感，交易者可以了解市场对美元和其他相关国家的情绪，从而帮助做出交易决策。本研究强调了将情感分析融入交易策略作为预测市场动态的关键工具的重要性。

Feb, 2024

通过从推特中提取的情感信息，使用FinBERT大型语言模型的研究表明通过关联分析筛选特征集并采用贝叶斯优化的递归特征消除实现了超过70%的F1分数，从而在回测交易中获得了更高的累积利润。

Mar, 2024

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