論文の概要: Decoding Market Emotion from Blockchain Activity: A Data-Driven Sentiment Classifier

• arxiv url: http://arxiv.org/abs/2607.15258v1
• Date: Thu, 16 Jul 2026 17:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.202292
• Title: Decoding Market Emotion from Blockchain Activity: A Data-Driven Sentiment Classifier
• Title（参考訳）: ブロックチェーンのアクティビティから市場感情をデコードする: データ駆動型感性分類器
• Abstract要約: 本研究は、オンチェーンと財務データとソーシャルメディア投稿を組み合わせることで、Bitcoin市場の感情を分析する新しいアプローチを提案する。 この手法は、感情傾向をオンチェーンと財務指標にマージし、詳細な市場分析のためのデータセットに正規化する。 結果は、このデータの組み合わせが有意義な予測信号と洞察をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 0.3771396977579353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing use of Bitcoin as a decentralized digital asset and investment tool has sparked strong interest in understanding its market behavior. This study presents a new approach to analyze Bitcoin market sentiment by combining on-chain and financial data with social media posts. Unlike models that aim to predict prices, this work focuses on explaining market sentiment using blockchain transactions, historical price data of Bitcoin, and daily Twitter sentiment classifications. The method merges sentiment trends with on-chain and financial metrics, normalized into a dataset for detailed market analysis. Multiple machine learning models were tested using cross-validation, with Gradient Boosting (XGBoost) emerging as the most reliable model for classifying sentiment, achieving an average F1-score of about 0.84. SHAP (SHapley Additive exPlanations), a game theory-based method for model interpretability, was used to quantify the contribution of on-chain features to the model's predictions, improving transparency. The results indicate that this data combination yields meaningful predictive signals and insights, supporting data-driven cryptocurrency analysis and future improvements with deep learning.
• Abstract（参考訳）: 分散型デジタル資産と投資ツールとしてのBitcoinの利用が増加し、市場行動を理解することに強い関心が寄せられている。 本研究は、オンチェーンと財務データとソーシャルメディア投稿を組み合わせることで、Bitcoin市場の感情を分析する新しいアプローチを提案する。 価格を予測しようとするモデルとは異なり、この研究はブロックチェーントランザクション、Bitcoinの歴史的価格データ、日々のTwitterの感情分類を使って市場の感情を説明することに重点を置いている。 この手法は、感情傾向をオンチェーンと財務指標にマージし、詳細な市場分析のためのデータセットに正規化する。 複数の機械学習モデルがクロスバリデーションを使用してテストされ、感情を分類する最も信頼性の高いモデルとしてグラディエントブースティング(XGBoost)が登場し、平均F1スコアは約0.84に達した。 ゲーム理論に基づくモデル解釈可能性の手法であるSHAP (SHapley Additive exPlanations) は、オンチェーン機能のモデル予測への貢献を定量化し、透明性を向上させるために用いられた。 その結果、このデータの組み合わせは、有意義な予測信号と洞察をもたらし、データ駆動暗号分析をサポートし、深層学習による将来の改善をもたらすことが示唆された。

関連論文リスト

• Coinvisor: An RL-Enhanced Chatbot Agent for Interactive Cryptocurrency Investment Analysis [28.07709494185688]
  Coinvisorは、マルチエージェントフレームワークを通じて、暗号通貨投資の包括的な分析サポートを提供する。 鍵となるイノベーションは、多段階計画と多様なデータソースの柔軟な統合を可能にする強化学習ベースのツール選択メカニズムである。 その結果、Coinvisorはリコールを40.7%改善し、F1スコアは26.6%向上した。
  論文  参考訳（メタデータ） (2025-10-20T07:23:49Z)
• Enhancing Cryptocurrency Sentiment Analysis with Multimodal Features [21.011058109203287]
  我々はTikTokとTwitterの感情を比較したマルチモーダル分析を行い、ビデオデータとテキストデータの両方からインサイトを抽出する。 以上の結果から,TikTokの動画ベースの感情が投機的資産や短期市場の動向に大きく影響していることが判明した。
  論文  参考訳（メタデータ） (2025-08-18T02:58:44Z)
• Large Language Models for Cryptocurrency Transaction Analysis: A Bitcoin Case Study [31.329503543552864]
  大規模言語モデル(LLM)はこれらのギャップに対処する可能性を秘めているが、この分野におけるそれらの能力はほとんど解明されていない。 本稿では,LLMを実世界の暗号トランザクショングラフに適用することにより,この仮説を検証する。 これには、新しい人間可読グラフ表現フォーマット、LLM4TG、接続強化トランザクショングラフサンプリングアルゴリズム、CETraSが含まれる。
  論文  参考訳（メタデータ） (2025-01-30T05:48:13Z)
• CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction [28.15955243872829]
  本稿では,マンバをベースとした新しいステートスペースモデル(SSM)アーキテクチャであるCryptoMambaを提案する。 我々の実験は、CryptoMambaがより正確な予測を提供するだけでなく、異なる市場条件における一般化性も向上していることを示している。 我々の調査結果は、株式や暗号通貨の価格予測タスクにおいて、SSMにとって大きな優位性を示している。
  論文  参考訳（メタデータ） (2025-01-02T02:16:56Z)
• Using Sentiment and Technical Analysis to Predict Bitcoin with Machine Learning [1.3053649021965603]
  本研究は,暗号通貨予測における感情指標の重要性に関する予備研究である。 我々は、Fear & Greedy Index、市場感情の指標、技術分析指標、および機械学習アルゴリズムの可能性を組み合わせることで、Bitcoin価格を予測する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-18T15:13:07Z)
• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• A Multisource Fusion Framework for Cryptocurrency Price Movement Prediction [5.252967226385235]
  本研究では,X(旧Twitter)から得られた定性的な感情信号と,歴史的価格や技術的指標などの定量的な財務指標を統合するマルチソース融合フレームワークを提案する。 大規模なBitcoinデータセットの実験結果は、提案手法がシングルソースモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-09-27T16:32:57Z)
• Blockchain Metrics and Indicators in Cryptocurrency Trading [0.22940141855172028]
  本研究の目的は、暗号通貨市場での運用に役立つ新しい指標の構築である。 これらの指標は、ブロックチェーンネットワーク、特にBitcoinマイニングを構成するノードから得られる公開データに基づいています。
  論文  参考訳（メタデータ） (2024-02-11T12:34:58Z)
• Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data [3.6390165502400875]
  本稿では,機械学習(ML)と自然言語処理(NLP)技術を活用した暗号通貨価格予測の新しい手法を提案する。 ニュースやソーシャルメディアのコンテンツを分析することで、仮想通貨市場に対する大衆の感情の影響を評価する。
  論文  参考訳（メタデータ） (2023-11-23T16:14:44Z)
• Live Graph Lab: Towards Open, Dynamic and Real Transaction Graphs with NFT [28.08921595650609]
  私たちは、ブロックチェーンからオープンで動的で実際のトランザクショングラフを可能にする、時間グラフのためのLive Graph Labというコンセプトを紹介します。 NFTトランザクションネットワークでライブグラフをインスタンス化し、そのダイナミクスを調べて、新しい観察と洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-18T04:54:22Z)
• PreBit -- A multimodal model with Twitter FinBERT embeddings for extreme price movement prediction of Bitcoin [8.38397409405955]
  我々はビットコインの極端な価格変動を予測するためのマルチモーダルモデルを提案する。 このモデルは、さまざまな関連資産、技術的指標、およびTwitterコンテンツとして入力される。 平均的戦略を移動させるリスクを減らし、黒字取引戦略を構築するのに使用できることを示す。
  論文  参考訳（メタデータ） (2022-05-30T19:25:12Z)
• Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models [31.690290125073197]
  バブル検出のための新しいマルチスパン識別タスクであるCryptoBubblesを公開・公開する。 我々はこのマルチスパン識別タスクに適した一連のシーケンス・ツー・シーケンス・ハイパーボリックモデルを開発する。 RedditとTwitterでCryptoBubblesとハイパーボリックモデルの実用性を示す。
  論文  参考訳（メタデータ） (2022-05-11T08:10:02Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。