文献中逐渐出现的一个重要考虑因素是加密货币交易的“社会”的相关性。区块链平台的底层代码在Github上以开源方式开发，加密生态系统的最新添加内容在Reddit或Telegram的专业频道上讨论，Twitter提供了一个经常就最新发展进行激烈辩论的平台。更准确地说，已经证明，情绪指数可以用来预测价格泡沫[5]，而且从Reddit专题讨论中提取的情绪与价格相关[28]。

开源开发在塑造加密货币的成功和价值方面也扮演着重要的角色[21,25,27]。特别是，Bartolucci et al.[2]之前的一项工作（这项工作是其扩展）表明，从开发人员对Github的评论中提取的情绪时间序列与加密货币的回报之间存在格兰杰因果关系。对于比特币和以太坊这两种主要的加密货币，还显示了如何将开发者的情绪时间序列纳入预测算法中，从而大大提高预测的准确性。

在本文中，我们使用深度学习方法进一步扩展了以前对价格可预测性的研究，并将重点放在按市值最高的两种主要加密货币，比特币和以太坊。

我们通过将准时价格预测映射到一个分类问题来预测价格变动：我们的目标是一个具有两个独特类别的二元变量，向上和向下的变动，表示价格上涨或下跌。下面我们将比较四种深度学习算法的性能和结果：多层感知器（MLP）、多变量注意长短时记忆完全卷积网络（MALSTMFCN）、卷积神经网络（CNN）和长短时记忆神经网络（LSTM）。

我们将使用以下类别的（财务和社会）指标作为输入：（i）技术指标，如开盘和收盘价格或成交量，（ii）交易指标，如根据价格计算的动量和移动平均线，（iii）社交媒体指标，即从Github和Reddit评论中提取的情绪要素。

对于每一个深度学习算法，我们考虑一个按小时和按每天频率的受限和非受限数据模型。受限模型由比特币和以太坊的技术变量数据组成。在无限制模型中，我们包含了Github和Reddit的社交媒体指标和技术、交易变量。

在所有四种深度学习算法中，我们都能证明无限制模型优于限制模型。在每小时数据频率下，将交易和社交媒体指标与经典技术指标结合起来，能提高比特币和以太坊价格预测的准确性，从限制模式的51-55%提高到非限制模式的67-84%。对于每日频率分辨率，在以太坊的情况下，使用限制模型实现最精确的分类。相反，对于比特币而言，仅包括社交媒体指标的无限制模式实现了最高的性能。

在下面的部分中，我们将详细讨论实现的算法和用于评估模型性能的引导验证技术。

本文的结构如下。在第2节中，我们详细描述了使用的数据和指标。在第三节中，我们讨论了实验的方法。在第4节中，我们介绍了研究结果及其意义，在第5节中，我们讨论了本研究的局限性。最后，在第6节中，我们总结了我们的发现并概述了未来的发展方向。 (责任编辑：admin)