7.2.3. 情绪分析

情绪分析是社交媒体时代的热门研究课题，它也被用来改进加密货币交易的预测。该数据源通常必须与机器学习相结合以生成交易信号。

Lamon等人[167]利用每日新闻和社交媒体的数据标注实际价格变化，而不是正面和负面情绪。通过这种方法，价格预测被积极和消极情绪所取代。实验从“cryptocoinsnews”和twitterapi等网站获得了与加密货币相关的新闻文章标题。在加密货币市场中，权重是以正数和负数表示的。比较了Logistic回归（LR）、线性支持向量机（LSVM）和NB作为分类器，得出LR是日价格预测的最佳分类器，对价格上涨的预测正确率为43.9%，对价格下跌的预测正确率为61.9%。Smuts[225]使用使用Google Trends 和Telegram情绪的LSTM模型进行了类似的基于二元情绪的价格预测方法。具体来说，这种情绪是通过使用一种称为维德（VADER）[132]的新方法从Telegram电报中提取出来的。2018年上半年，在预测每小时价格方面，回溯测试在测试集上的准确率达到76%。Nasir等人[195]研究了加密货币收益和搜索引擎之间的关系。实验采用了一套丰富的实证方法，包括VAR框架、copulas方法和非参数时间序列图。结果发现，谷歌搜索对比特币收益率有显著影响，尤其是在短期内。Kristoufek[162]讨论了对Google Trends或维基百科每日观点的正面和负面反馈。作者提出了在加密货币市场中寻找价格与搜索项之间因果关系的不同方法，包括协整、向量自回归和向量误差修正模型。结果表明，搜索趋势和加密货币价格是相关的。在实验中，对高于或低于其趋势值的货币增加兴趣的影响之间也存在明显的不对称性。Young等人[156]分析了在线社区中的用户评论和回复，以及它们与加密货币波动性的关系。在网络社区中搜集评论和回复之后，作者们标记了正面和负面话题的范围。然后根据对所选数据的评论和回复，测试加密货币的价格与交易次数之间的关系。最后，基于选定的数据建立了一个基于机器学习的预测模型来预测加密货币市场的波动。结果表明，数据积累量和活跃的社区活动对加密货币的价格和数量的波动有直接的影响。

同样，Colianni等人[80]、Garcia等人[113]、Zamuda等人[254]等人将情绪分析技术应用于加密货币交易领域，结果也 (责任编辑：admin)