本研究利用Twitter社交媒体数据探讨加密货币（如比特币）的波动率预测。分析了3000万条推文和144天的价格数据，结果显示时间卷积网络在预测精度上优于传统模型。同时，研究揭示了推文作者信息对波动率预测的影响，强调了情感分析和自然语言处理在金融市场中的应用潜力。

该文综述金融波动率与风险预测研究：混合深度学习与GARCH模型提升点波动率预测，Temporal Fusion Transformer优于传统方法；格兰杰因果与PageRank分析表明汇率市场信息传播非瞬时，违背有效市场假说；高斯过程、GARCH-NN及深度生成模型（如CWGAN）用于风险建模，其中HS、GARCH和CWGAN表现最佳；LSTM在中国部门数据预测中效果最优。

该文综述深度学习与贝叶斯深度学习在金融时间序列波动率预测中的应用。研究表明，Temporal Fusion Transformer优于传统方法；随机循环神经网络、扩展CNN及WaveNet等模型在股票波动预测中比GARCH等更准确。贝叶斯方法通过变分推断处理预测不确定性，提升可靠性。

本研究利用公共社交媒体数据和深度学习表示，结合比特币价格数据，构建了多种深度学习构架来预测比特币的波动率。实证结果显示时间卷积网络在预测精度上表现更优，同时发现推文作者元信息是更好的波动率预测因子。