本篇研究使用事件研究方法，通过对三年内的贸易和推文进行数据分析，比较了四类Twitter用户的推文倾向与实际汇率之间的差异，并观察到一些用户尝试通过删除推文等方式操纵自己的声誉。

Apr, 2018

研究公司的社会意识和环境可持续性的方法是通过Twitter数据监测争议事件，以评估公司运营能力和市场波动的影响。

Aug, 2019

DeepTrust是一种利用Twitter提供可靠的金融知识检索框架，包含三个模块：异常检测、信息检索和可靠性评估，并使用最先进的NLP技术确保数据的准确性。该框架以历史定价数据为基础，使用机器学习模型识别异常资产价格变化，并使用增强的动态搜索条件从Twitter检索相关的非结构化数据。通过追踪生成语言模型、论证结构、主观性和情感信号的信息可靠性来确保有效的市场洞察。该框架被证明能够精确地筛选不可靠信息，可以作为根据社交媒体平台认证的知识帮助交易员实时达成关于价格异常的投资决策。

Mar, 2022

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

通过理解网络金融信息错误的类型、来源和影响，利益相关方可以采取有效的检测和预防措施，促进更加知情和具有弹性的金融生态系统。

Sep, 2023

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

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

我们提出了一种新颖的面向目标的情感分析系统（TABEA），基于自然语言处理技术和机器学习流算法，能够单独识别同一条推文中不同股市资产的金融情绪（正负预测），并取得了90%以上的准确率。这个问题在决策中具有实践意义，但现有文献中尚未解决，我们也不知道之前有关TABEA的NLP或在线机器学习方法的工作。

Mar, 2024

社交媒体中，通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度，并提供准确的市场数据验证和连续的可信度评分，同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。

Jun, 2024

本研究解决了金融市场中社交媒体影响与投资者行为之间交集产生的泡沫形成问题。提出了一种基于代理的模型，通过一个树状层次结构模拟市场行为，发现其能够有效反映真实金融市场的特征，并能够真实模拟社交媒体现象对市场的影响，如回声室和泵提-倾倒方案。

Sep, 2024