本研究旨在探究一种新的方法 -- 线性法特征空间转换 (LLT) 对加密货币日内价格运动预测准确性的影响。通过改变数据进行分类和机器学习算法的交叉验证，LLT 算法极大地提高了所有加密货币的预测准确性。

Apr, 2023

本研究提出了基于动态贝叶斯网络的方法，借助技术指标预测五种流行数字货币的价格趋势，并证明该模型的有效性。

Jun, 2023

研究使用基于 Transformer 的神经网络对以太坊加密货币价格进行预测，实验证明加密货币价格与其他加密货币和市场情绪有很强的相关性。模型利用 Transformer 架构从单一特征到包括成交量、情绪和相关加密货币价格的复杂配置进行多种设置。尽管数据集较小且架构较简单，Transformer 模型在某些参数上超越了 ANN 和 MLP。结论提出了有关加密货币价格变动受情绪影响的因果关系幻觉的假设。

Jan, 2024

该研究通过整合技术指标、Performer 神经网络和 BiLSTM (双向长短期记忆) 方法来预测加密货币的时间序列，尤其关注比特币、以太坊和莱特币。该方法在提取原始加密货币数据的时间动态和显著特征方面，应用于技术指标，有助于提取复杂模式、动量、波动性和趋势，同时结合了 Performer 神经网络和 BiLSTM 来增强模型对时间动态的捕捉能力，取得了优于传统 Transformer 模型中传统的多头注意力机制的计算效率和可扩展性。该方法已应用于主要加密货币的小时和日时间框架，并与文献中的其他方法进行了基准测试，结果强调了该方法在加密货币价格预测领域的潜力，可能超越现有模型。

Mar, 2024

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

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

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

该研究旨在实时追踪并监测加密货币新闻，利用机器学习模型预测其发布后前 24 小时在 Twitter 上被提及的数量，并比较了多种模型，其结果表明随机森林自回归模型在大多数情况下表现良好。

Mar, 2019

其在金融市场中的模式匹配算法加工中，以比特币作为样本测试，实现预测结果的提升以指导投资决策。

Aug, 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