本研究分析了 9M 与美国主要金融市场相关的推特，并发现了一种被称为 “Cashtag Piggybacking” 的恶意手法，这是由协调的机器人组织实施的，可能旨在利用高价值的股票的流行来促进低价值股票的推广。本研究的结果对于采用用户生成内容来预测股票市场的所有研究和应用都呼吁采用垃圾邮件和机器人检测技术。

Apr, 2018

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

该研究通过使用 NLP 技术和基于幂律动态的交易模型，探讨了加密货币和模因股票市场中由社交媒体信息产生的 “泡沫” 现象，为金融市场提供了一种分析和检测新型数字资产的方法。

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

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

本文关注 Twitter 上的集体关注和 Hashtag 的流行度峰值，通过数据分析和文本挖掘技术，提供了 Hashtag 类别的语义特征，发现流行度峰值主要由外部因素而非流行病学因素所驱动。

Nov, 2011

本研究提出了一种基于 Hashtag 的推文分类模型（HashTation），该模型能够自动为输入推文生成有意义的 Hashtag，以提供有用的辅助信号进行推文分类。实验表明，HashTation 在低资源推文分类任务上取得了显著提高，从而减少了对大规模人工标记数据的需求。

Feb, 2023

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

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