WSDMOct, 2021

问 “谁”，不是 “什么”：基于 Twitter 数据的 Bitcoin 波动率预测

PDF
TL;DR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。
发现论文，激发创造
  • Twitter FinBERT 嵌入式的多模态模型用于比特币极端价格变动预测

    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

  • 使用合成器变压器模型从鲸鱼交易和 CryptoQuant 数据预测比特币波动率的飙升

    本文研究了加密货币市场的极端波动，并提出了一种基于深度学习的合成变压器模型，该模型利用 CryptoQuant 数据和鲸鱼警报推文来预测比特币的极端波动，结果表明该模型优于现有的最先进的模型。

    Oct, 2022

  • 使用基于订单流的深度卷积神经网络进行短期波动率预测

    本研究使用卷积神经网络将市场信息编码成图像，以预测加密货币短期实现波动性。实验结果表明，该方法有潜力更好地捕捉市场动态和进行更好的波动性预测。

    Apr, 2023

  • 比特币的社交信号与算法交易

    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

  • 利用深度学习预测加密货币价格：整合金融、区块链和文本数据

    探索机器学习和自然语言处理技术在加密货币价格预测中的应用，通过分析来自 Twitter 和 Reddit 的新闻和社交媒体数据，使用深度学习的 NLP 方法研究公众情绪对加密货币估值的影响，将加密货币价格预测视为分类问题，比较不同的机器学习模型的性能，并发现含有 NLP 数据显著提升了预测性能，强调了文本分析在改善金融预测中的潜力，证明了各种 NLP 技术在捕捉细微市场情绪方面的效果。

    Nov, 2023

  • 基于数据驱动的深度学习方法进行比特币价格预测

    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

  • 使用多元数据比较深度学习模型进行波动率预测

    该研究旨在比较基于深度学习的多变量数据预测模型在波动率预测方面的表现，结果表明 Temporal Fusion Transformer 优于传统方法和浅层网络，因此鼓励将其应用到实践中。

    Jun, 2023

  • 基于二阶段流理论的主题建模：以比特币相关推文为例

    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

  • 金融时间序列波动性预测中深度序列模型的基准测试

    本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对 2018 天中的 1314 个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与 GARCH 家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展 CNN 和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测

    Nov, 2018

  • 加密货币价格预测的深度学习模型评述：实施与评估

    通过评估多种深度学习模型，我们发现单变量 LSTM 模型变体在加密货币预测方面表现最佳，并对 COVID-19 期间的价格进行波动性分析。

    May, 2024