探索加密货币讨论中的情感动态和预测行为,基于少量学习与大型语言模型
原文中文,约400字,阅读约需1分钟。发表于: 。本研究通过先进的自然语言处理技术分析加密货币讨论中的预测性语句、希望言论和遗憾检测行为,填补了对于预测行为和情感动态理解的空白。我们提出了一种新的分类方案,将评论分为不同的预测类别,并通过GPT-4o模型揭示了在主要加密货币中的情感模式,发现Matic对乐观预测的倾向显著更高。这项研究为投资者行为和市场情感趋势提供了宝贵的见解,有助于战略决策和未来研究的发展。
区块链技术在金融领域产生了革命性影响,加密货币得到广泛采用。研究发现,微调大型语言模型可以提高加密货币领域情感分析的准确性。指令微调对不同规模模型的影响不同,较大规模模型受益,较小规模模型可能降低泛化能力。实验结果显示,对于简短简单的指令,模型准确率达到72.38%;针对长且复杂指令,模型准确率提高了12%。指令特征对提升模型性能很重要。