社交媒体参与度与加密货币表现
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
利用 GPT-4 和基于 BERT 模型的多模态情绪分析,通过将表情符号转化为可量化的情绪数据,将其与 BTC 价格和 VCRIX 指数等关键市场指标相关联,从而开发出基于社交媒体元素的交易策略,帮助识别和预测市场趋势,避免重大市场下滑并促进回报稳定。
Feb, 2024
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
通过对包括卡尔达诺、币安、比特币、狗狗币、以太坊、空灵、Matic、币神和瑞波在内的多个数字货币的英文推特大数据集进行详尽研究,本文主要旨在进行社交媒体内容的心理和情感分析,比较不同数字货币之间的语言特征,探讨不同数字货币社区中呈现的独特语言模式,并揭示了这些数字资产在加密货币社区中的相互作用。
Jan, 2024
利用 RecSys 挑战数据集和评估程序,研究了仅利用上下文是否能够预测推文互动概率,并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而,相较于只基于内容的模型和挑战胜利者开发的模型,这些基于上下文的模型在 RCE 得分方面表现出较低。因此,提出了改进实现的潜在改进方法。
Sep, 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
本文旨在考虑排列用户通过交互推文中的电影评分影响力的效果,定义了包括基于用户、电影和推文的特征建立了分类模型进行预测,取得了比单独的回归模型更好的效果,本文的数据来源于 ACM RecSys Challenge 2014 中的 MovieTweeting 数据集。
Jan, 2015