注意力增强混合CNN-LSTM模型用于社交媒体情绪分析,用于加密货币投资决策
Dimple Tiwari1, Bhoopesh Singh Bhati2, Bharti Nagpal3
1School of Engineering & Technology, Vivekananda Institute of Professional Studies - Technical Campus, Delhi, 110034, India.
Scientific reports
|September 26, 2025
概括
这项研究介绍了基于注意力的混合CNN-LSTM模型,用于加密货币情绪分析. 该模型通过分析社交媒体数据来改进投资决策,优于现有方法.
科学领域:
- 计算金融是指计算金融.
- 人工智能的人工智能
- 自然语言处理自然语言处理.
背景情况:
- 加密货币通过区块链技术提供透明度和不变性,但受到极端价格波动的影响,使投资决策复杂化.
- 像Twitter和Reddit这样的社交媒体平台对于衡量市场对波动性数字货币的情绪越来越重要.
研究的目的:
- 开发一种基于注意力的混合卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,用于增强社交媒体情绪分析.
- 利用情绪分析在多元化的加密货币投资组合中改善投资决策.
主要方法:
- 一种混合CNN-LSTM模型,结合了注意力机制,以动态衡量单词的重要性.
- 使用网格搜索优化神经网络参数.
- 一个连续的架构,将注意力增强CNN-LSTM的深度特征与辐射基支持矢量机 (SVM) 结合起来进行分类.
主要成果:
- 提出的注意力增强CNN-LSTM (AEH) 模型在加密货币相关的社交媒体数据上实现了98.7%的准确性和0.987的F1得分.
- "深度功能加SVM"架构与纯软max头相比,与最小的推断时间增加相比,F1得分提高了3.2个百分点.
- 一个补充的Gated Recurrent Unit (GRU) 回归器显示了比特币的强价格预测表现,超过了ARIMA基准.
结论:
- 基于注意力的混合CNN-LSTM模型有效处理社交媒体情绪,为加密货币投资者面临的挑战提供解决方案.
- 该模型具有动态权衡单词重要性的能力,其顺序架构显著提高了情绪分析准确性和投资决策支持.