May, 2021

MRC-LSTM: 多尺度残差 CNN 和 LSTM 的混合方法用于预测比特币价格

PDF
TL;DR该研究提出了一种名为 MRC-LSTM 的新方法，该方法结合了多尺度残差卷积神经网络（MRC）和长短时记忆（LSTM）来实现比特币价格预测。研究考虑了外部因素的影响，如宏观经济变量和投资者关注度，显示出 MRC-LSTM 在价格预测上明显优于其他网络结构，同时该方法也能够用于预测其他加密货币的短期多元时间序列。
发现论文，激发创造
  • 比特币价格预测的比较研究

    本研究探讨了使用神经网络模型，即 LSTMs 和 GRUs，预测比特币价格的潜力。利用五折交叉验证来提高泛化能力，采用 L2 正则化来减少过拟合和噪声。研究结果表明，相较于 LSTMs 模型，GRUs 模型在预测比特币价格方面具有更高的准确性，MSE 为 4.67，而 LSTMs 模型为 6.25。这一发现表明 GRUs 模型更适合处理具有长期依赖性的序列数据，这是比特币价格等金融时间序列数据的特征。总之，我们的研究结果为准确预测比特币价格的神经网络模型的潜力提供了宝贵的见解，并强调采用适当的正则化技术来提高模型性能的重要性。

    May, 2024

  • 加密货币价格预测的深度学习模型评述：实施与评估

    通过评估多种深度学习模型，我们发现单变量 LSTM 模型变体在加密货币预测方面表现最佳，并对 COVID-19 期间的价格进行波动性分析。

    May, 2024

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的股票价格，并提供了这些模型的执行时间和均方根误差（RMSE）的详细预测准确性结果。

    Nov, 2020

  • 基于数据驱动的深度学习方法进行比特币价格预测

    利用浅层双向 LSTM 模型和特征工程方法对比特币价格进行预测，并显示在使用所提出的特征工程方法时，浅层深度神经网络优于其他流行的价格预测模型。

    Oct, 2023

  • 金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

    比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

    Dec, 2023

  • 使用 LSTM、SVM 和多项式回归预测加密货币价格

    应用长短期记忆模型、支持向量机和多项式回归算法对加密货币价格进行预测，通过比较均方误差发现支持向量机使用线性核函数，具有最小的均方误差，为 0.02。

    Mar, 2024

  • 使用 CNN-LSTM 神经网络模型预测股市时间序列数据

    本文介绍了一种使用 CNN-LSTM 神经网络的股票市场预测模型，通过将股票数据转换为张量，识别特征并预测在给定时间段内的股票市场变化，实验结果表明该模型具有较高的准确性。

    May, 2023

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 用于时间序列分类的多元 LSTM-FCNs

    本研究将现有的单变量时间序列分类模型 LSTM-FCN 和 ALSTM-FCN 转化为多变量时间序列分类模型，通过增加 squeeze-and-excitation 块改善了分类的准确性。提出的模型适用于各种复杂的多变量时间序列分类任务，如活动识别或动作识别。此外，提出的模型在测试时非常高效，且足够小以部署在内存受限的系统上。

    Jan, 2018

  • 用 LSTM 架构预测石油股票价格

    该研究使用相关分析和神经网络算法，研究了石油公司股票与黄金、原油、美元等因素的关系，成功预测了不同公司股票未来价格趋势，结果具有良好的可解释性。

    Jan, 2022