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

本研究探讨了来自 X 平台数据的情绪趋势与 Cardano、Binance、Fantom、Matic 和 Ripple 这些知名加密货币的市场动态之间的关系，时间跨度为 2022 年 10 月至 2023 年 3 月。利用 SenticNet，我们识别了恐惧和焦虑、愤怒和怒火、悲伤和忧愁、愉悦和舒适、热情和渴望、愉悦和喜悦等情绪。在数据提取之后，我们将每个月划分为两周间隔，并在 Finance-Yahoo 获得的价格数据上复制此过程。因此，进行了比较分析，建立了观察到的两周间隔情绪趋势和加密货币价格之间的联系，揭示了情绪情感与币值之间的显著相关性。

May, 2024

探索机器学习和自然语言处理技术在加密货币价格预测中的应用，通过分析来自 Twitter 和 Reddit 的新闻和社交媒体数据，使用深度学习的 NLP 方法研究公众情绪对加密货币估值的影响，将加密货币价格预测视为分类问题，比较不同的机器学习模型的性能，并发现含有 NLP 数据显著提升了预测性能，强调了文本分析在改善金融预测中的潜力，证明了各种 NLP 技术在捕捉细微市场情绪方面的效果。

Nov, 2023

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

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

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

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

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