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

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

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

本研究探讨了自然语言处理（NLP）与金融分析的交叉领域，重点关注情感分析在股价预测中的影响。我们使用先进的 NLP 技术 BERTopic 来分析从股市评论中得出的主题的情感。我们的方法将情感分析与深度学习模型相结合，这些模型以其在时间序列和股票预测任务中的有效性而闻名。通过全面的实验，我们证明了融入主题情感能够显着提高这些模型的性能。结果表明，股市评论中的主题提供了对股市波动和价格趋势的含蓄而有价值的见解。本研究通过展示 NLP 在丰富金融分析方面的潜力，为该领域做出了贡献，并为实时情感分析以及市场情感的情绪和情境方面的进一步研究开辟了道路。将 BERTopic 等高级 NLP 技术与传统金融分析方法相结合，标志着在开发更复杂的了解和预测市场行为工具方面迈出了一步。

Apr, 2024

该研究通过整合技术指标、Performer 神经网络和 BiLSTM (双向长短期记忆) 方法来预测加密货币的时间序列，尤其关注比特币、以太坊和莱特币。该方法在提取原始加密货币数据的时间动态和显著特征方面，应用于技术指标，有助于提取复杂模式、动量、波动性和趋势，同时结合了 Performer 神经网络和 BiLSTM 来增强模型对时间动态的捕捉能力，取得了优于传统 Transformer 模型中传统的多头注意力机制的计算效率和可扩展性。该方法已应用于主要加密货币的小时和日时间框架，并与文献中的其他方法进行了基准测试，结果强调了该方法在加密货币价格预测领域的潜力，可能超越现有模型。

Mar, 2024

该研究利用股票百分比变化作为训练数据，采用人工智能技术（如长短期记忆网络、支持向量机和自然语言处理模型）分析公开发布的新闻文章，使用专门的 BERT 自然语言处理模型预测股票价格趋势，强调不同数据特征和行业特定数据的有效性。

Jan, 2024

本研究通过时间序列分析和自然语言处理，评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性，结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性，同时指出利用 Twitter 情感可以作为预测股票价格的有效工具，应纳入投资策略制定。

Aug, 2023

提出了一种利用机器学习、深度学习和自然语言处理的混合方法来预测股票价格走势，包括对印度国家股票交易所的 NIFTY50 指数数据进行分析、使用分类技术预测股票价格走势，使用回归模型预测股票收盘价等，最终通过集成情感分析模块，用推特情感和上周收盘价来预测下周的股票价格。所提出的算法通过自组织模糊神经网络方法的交叉验证得到了有趣的结果。

Dec, 2019

使用深度学习的方法对金融欺诈文本进行自然语言处理的二元分类任务，并且通过不同种类的神经网络模型，包括多层感知机、RNN、LSTM 和 GRU 等，进行了准确性比较，为金融欺诈检测领域提供了有价值的见解。

Aug, 2023

比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

Dec, 2023