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

本文探讨使用社交媒体和机器学习技术进行股票预测时所面临的对抗攻击问题，通过对多种股票预测模型进行实验，提出了一种对抗攻击方法，并通过贪心优化算法生成语义相近但含有扰动的内容来达到攻击目的。结果表明，这种攻击方法可以稳定地使股票预测的成功率降低并导致巨大的交易损失。

May, 2022

我们提出了一种新的系统，用于检测微博社交网络中的积极预测，这是一种金融情绪，类似于 Plutchik 理论中的 “预期”，通过应用自然语言处理技术提取有价值的语言信息，利用三层堆叠的机器学习分类系统和复杂的特征来实现高检测精度。在手动注释了金融情绪和股票发生标签的数据集上的实验结果表明，我们的系统在金融机会检测方面表现出了令人满意和有竞争力的性能，精度值高达 83%。这个有希望的结果证明了我们的系统在支持投资者决策方面的可用性。

Mar, 2024

本文研究黑市服务中生产虚假转发的 “消费者”，通过机器学习算法对 “消费者” 进行分类，设计了可实时检测虚假转发用户的浏览器插件，并在用户反馈中获得了 85% 的准确率。

Jun, 2018

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

本文研究了社交媒体平台 Twitter 与金融市场的关系，以事件研究方法分析其对道琼斯工业平均指数 30 家上市公司的影响，结果显示 Twitter 情绪对于峰值期间的异常收益确实存在显著影响。

Jun, 2015

本研究调查了生物技术领域中推文情感与各类别的关系：新闻、公司观点、CEO 观点、竞争对手观点以及股市行为，重点在于了解社交媒体话语对投资者情绪和决策过程的影响。我们分析了十家最大和最有影响力的制药公司的历史股市数据，以及与 COVID-19、疫苗、公司和相关 CEO 有关的 Twitter 数据。利用 VADER 情感分析，我们检查了推特情感得分，并评估它们与股市表现之间的关系。我们采用 ARIMA（自回归移动平均）和 VAR（向量自回归）模型来预测股市表现，并引入情感协变量以提高预测准确性。研究结果显示推文情感、新闻、生物技术公司、其 CEO 和股市表现之间存在复杂的相互作用，强调了在建模和预测股价时考虑多种因素的重要性。本研究为社交媒体对金融行业的影响提供了有价值的见解，并为进一步完善股价预测模型的研究奠定了基础。

Jan, 2024

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

本文提出了一个基于超过一千个公共数据和元数据特征的框架，用于检测 Twitter 上的社交媒体自主实体（即社交媒体机器人）。经测试，此框架能够与公开的 Twitter 机器人数据集高度契合，可以检测不同类型的机器人，如垃圾邮件发送者、自我推广者和使用连接应用程序发布内容的账户等，并且估计在活跃的 Twitter 账户中有 9% 至 15% 的机器人，机器人相互之间的交互关系有助于研究用于相互之间通信的转发和提到策略。

Mar, 2017

利用 Word2vec 和 N-gram 文本表示方法，对 Twitter 上大众情绪进行情感分析，并应用监督式机器学习原理分析某公司股票市场的走势与 Twitter 上情感的相关性，研究表明社交媒体中与某公司相关的正面消息和推文会鼓励人们投资该公司的股票，从而提高该公司的股价。

Oct, 2016