比特币价值预测器
抽象：
该项目试图通过识别社交媒体情绪与市场情绪之间的相关性来预测比特币的未来价值。 我们将通过收集来自Twitter，Facebook和linkedin等社交媒体的用户供稿来实现这一目标。 有了语料库后，我们将使用IBM Watson的自然语言理解API来映射它们的关联情绪。 在将情感映射到我们的语料库时，我们尝试捕获粒度级别的类别，即欢乐，愤怒，幸福等。我们将这些类别用作ML / DL算法的特征向量。 然后，我们比较不同算法的结果，并选择精度最高的算法。
技术：
编程语言：Python，Java
大数据技术：Spark ML，Spark-SQL，Hadoop Mapreduce
图书馆：熊猫，Matplotlib，Scikit学习，TensorFlow，Keras
数据源：
Twitter Api获得有关比特币/加密货币的推文。
LinkedIn Api可以在博客上获得语料库。
Web Scraping从新闻文章获取数据。
与数据的Dropbox链接：
参考文献：
J. Bollen和H. Mao。 Twitter情绪是股市预测指标。 IEEE
2021-04-20 09:45:40
455KB
1
20210415-中信证券-股票期权市场2021Q1盘点与展望：对冲策略表现占优，情绪平稳期权买方成本持续下降.pdf
2021-04-16 09:08:48
1013KB
20210409-财通证券-可转债每周交易分析：估值蹒跚不前，市场情绪企稳但尚未乐观.pdf
2021-04-15 13:02:28
2.22MB
本文提出了一种新的四维卷积递归神经网络方法，将多通道脑电信号的频率、空间和时间信息显式地整合在一起，提高基于脑电的情绪识别精度。
首先，为了保持脑电的这三种信息，我们将不同通道的差分熵特征转化为4D结构来训练深度模型。
然后，我们引入了由卷积神经网络(CNN)和带有长短时记忆(LSTM)细胞的递归神经网络(recurrent neural network)组合而成的CRNN模型。
使用CNN从每个4D输入的时间切片中学习频率和空间信息，使用LSTM从CNN输出中提取时间依赖性。
LSTM的最后一个节点的输出执行分类。
我们的模型在主题内分裂的SEED和DEAP数据集上都达到了最先进的性能。
实验结果表明，结合脑电的频率、空间和时间信息进行情感识别是有效的。
2021-04-10 21:01:34
1.75MB