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

本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

Sep, 2022

研究使用 Twitter 的用户，如果评论多个话题，比专注于一个话题的用户更容易获得高影响力。同时通过检测话题社区，量化用户和标签的话题多样性、相似性，可以预测早期采用者和标签的多样性与未来流行的 hashtags 有关。这项研究发现，多样性的信息和专注的沟通者更容易获得影响力。

Feb, 2014

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

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

本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息，预测了短消息的传播程度和转发总数，有效提前几分钟预测结果，对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。

Apr, 2013

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

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

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

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016