Jun, 2024

应用于比特币的 Twitter 趋势分析的流体排名声誉系统

PDF
TL;DR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。
发现论文，激发创造
  • 液态排名声誉系统在内容推荐中的应用

    本论文提出了一种基于声誉排名系统的个性化推荐模型，实现了液态民主原则，分析了加密货币新闻数据集以查找意见领袖，提出了实现、挑战和未来范围。

    Sep, 2022

  • 基于二阶段流理论的主题建模：以比特币相关推文为例

    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

  • 比特币的社交信号与算法交易

    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

  • 问 “谁”，不是 “什么”：基于 Twitter 数据的 Bitcoin 波动率预测

    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

  • 情感与加密货币价格之间的因果关系

    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

  • 加密货币市场预测的社交媒体情感分析

    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

  • TweetCred: Twitter 上内容的实时可信度评估

    本研究开发并评估了一个使用机器学习的排名模型来评估 Twitter 上的信息可信度的实时系统 TweetCred，并评估了其响应时间、有效性和可用性。

    May, 2014

  • 基于 BERT 的社交媒体声誉分析深度学习方法

    在社交媒体的世界中，维护声誉资本至关重要，但是在自动化可靠的在线声誉分析方面仍面临挑战。因此我们提出了一种基于 BERT 的声誉分析方法，并在 RepLab 2013 数据集上进行了评估。相比之前的工作，我们的准确度提高了 5.8％，平衡准确度提高了 26.9％，F 分数提高了 21.8％。

    Oct, 2022

  • 利用社交媒体信号感知加密货币新闻

    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

  • 将社交媒体趋势融入生成 NFT 推荐的可能性探究

    本研究提出了一种新的推荐系统体系结构，采用信息检索技术和社交趋势，通过意见挖掘来改进基线方法在无法收集用户点击数据或因隐私问题无法收集数据时提供的推荐，把多种信息源整合起来生成有前途的输出。

    May, 2022