加密货币估值:一种可解释的人工智能方法
本研究提出一种基于强化学习(RL)的加密货币投资组合管理系统,该系统在信息理解和交易执行方面都采用了区块链上链数据,经过回测测试,其累计收益率、日收益率和 Sortino 比率均表现优异,尤其是相比比特币,本系统可将以上指标分别提高至少83.14%,0.5603%和2.1767。
Jul, 2023
通过分析历史数据和使用人工智能算法,本文研究了影响加密货币价格的因素以及如何识别风险的加密货币,并通过对链上参数的聚类和分类,得出了39%加密货币消失于市场而仅有10%存活超过1000天的结果,发现了加密货币价格与最大供应量、总供应量之间显著的负相关性,以及与24小时交易量之间的弱正相关性。同时,通过对加密货币的聚类,可以更全面地了解其特性,并通过K-最近邻算法得到76%的最佳F1分数,判断加密货币的风险程度。
Aug, 2023
提出了一种基于神经网络的算法来利用加密货币衍生资产,以构建一个包含负相关资产对的投资组合,并通过训练深度神经网络来最大化夏普比率,以实现接近一个最小方差策略的资产配置策略,经过19个月的实验证明,该算法可在不同市场情况中获利。
Oct, 2023
本研究旨在通过开发基于强化学习的自动化交易系统来应对加密货币市场中不断演进的挑战。通过使用因果分析增强强化学习代理的能力,我们设计了CausalReinforceNet框架作为交易系统的基础架构,利用贝叶斯网络在特征工程过程中识别对加密货币价格变动产生因果关系的相关特征,并通过动态贝叶斯网络引入概率性价格方向信号来增强强化学习代理的决策能力。该框架在盈利能力方面显著超过了买入持有基准策略,并为Binance Coin和Ethereum生成了可观的投资回报。
Oct, 2023
探索机器学习和自然语言处理技术在加密货币价格预测中的应用,通过分析来自Twitter和Reddit的新闻和社交媒体数据,使用深度学习的NLP方法研究公众情绪对加密货币估值的影响,将加密货币价格预测视为分类问题,比较不同的机器学习模型的性能,并发现含有NLP数据显著提升了预测性能,强调了文本分析在改善金融预测中的潜力,证明了各种NLP技术在捕捉细微市场情绪方面的效果。
Nov, 2023
本文研究了使用自适应网络模糊推理系统 (ANFIS) 预测未来七天加密货币价格的架构。使用每日时间框架的比特币 (BTC)、以太坊 (ETH)、比特币占主导地位 (BTC.D) 和以太坊占主导地位 (ETH.D) 的历史数据进行预测,采用混合和反向传播算法、网格划分、减法聚类和模糊C均值聚类 (FCM) 算法进行数据训练,通过统计评估准则将设计的架构性能与不同输入和神经网络模型进行比较。最终,该方法可以在短时间内预测数字货币价格。
Jan, 2024
利用机器学习方法,本研究使用技术指标(如指数移动平均线和移动平均收敛背离)对加密货币价格进行预测,并通过对比模拟展示出有希望的结果来证明其在动态市场条件下帮助加密货币交易者和投资者的可行性。
Jul, 2024
本研究针对高风险环境中的投资组合管理,提出了一种基于强化学习的模型,克服了传统模型的局限性。通过引入新的环境表述和基于盈亏的奖励函数,该方法提升了风险管理与资本优化能力,在市场波动较大的情况下显著提高了收益风险比,并实现了可观的盈利能力。
Aug, 2024
本研究针对加密货币价格预测中的复杂性问题,提出了一种新颖的硬信息与软信息融合(HSIF)方法,以提高预测的准确性。通过结合历史价格记录、技术指标和社交媒体情感分析,实验证明该方法在比特币价格预测中展现出约96.8%的准确率,突显了社交情绪对价格波动的影响。
Sep, 2024