基于机器学习和 Transformer 解码加密货币推文中的市场情绪：预测性语句分类
人工智能
2026-03-27 v1 计算工程、金融与科学
摘要
加密货币的日益流行引发了广泛的公众参与，尤其在社交媒体平台上，导致投机活动的增加。这一研究引入了一种新型分类框架，用于识别加密货币相关推文中的预测性语句，聚焦五种流行的加密货币：Cardano、Matic、Binance、Ripple 和 Fantom。该分类过程分为两个阶段：任务 1 涉及二元分类，以区分预测性语句（Predictive）和非预测性语句（Non-Predictive）；被识别为预测性语句的推文随后进入任务 2，进一步分类为增量性（Incremental）、递减性（Decremental）或中性（Neutral）。为构建稳健的数据集，我们组合了手动标注和基于 GPT 的标注方法，并利用 SenticNet 提取每个预测类别对应的情感特征。为解决类别不平衡问题，采用了 GPT 生成的改写方法进行数据增强。我们评估了广泛的机器学习、深度学习和基于 Transformer 的模型在两个任务中的表现。结果表明，GPT 基于的平衡方法显著提升了模型性能，在任务 1 中，Transformer 模型取得了最高的 F1 分数；在任务 2 中，传统机器学习模型表现最佳。此外，我们的情感分析揭示了不同加密货币在每个预测类别之间存在 distinct 情感模式。
关键词
引用
@article{arxiv.2603.24933,
title = {Decoding Market Emotions in Cryptocurrency Tweets via Predictive Statement Classification with Machine Learning and Transformers},
author = {Moein Shahiki Tash and Zahra Ahani and Mohim Tash and Mostafa Keikhay Farzaneh and Ari Y. Barrera-Animas and Olga Kolesnikova},
journal= {arXiv preprint arXiv:2603.24933},
year = {2026}
}