基于 COVID-19 数据的比特币价格预测改进
本文通过对智能电网进行技术创新、标准开发、规范实施、测试规划等方面的探讨,运用基于深度学习方法的概率和全局预测模型,分析了外部干预对电力需求的不确定性及其影响情况,以新冠肺炎疫情对电力需求的影响为例,证明在短期内干预的峰谷差异是相当显著的。
Sep, 2022
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
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
本研究旨在利用公共社交媒体数据(特别是 Twitter)的深度学习表示来寻找一种新资产类别 —— 加密货币(尤其是比特币)的波动率稳定且准确的波动率预测方法。研究利用超过 3000 万条比特币相关推文的语义信息和用户统计信息,并结合 144 天内每 15 分钟的价格数据来构建了多种深度学习构架。实证结果显示,时间卷积网络在预测精度上比经典自回归模型和其它深度学习构架表现更优,同时发现推文作者元信息是比推文的语义内容和推文体积更好的波动率预测因子。
Oct, 2021
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
本文提出了一种多模态预测模型,利用 Twitter 社交媒体以及其他相关资产价格和技术指标等预测比特币价格波动,最终构建一个能够准确预测市场运动的模型,提出了一种基于模型预测的交易策略,与传统策略相比风险更低,可用于实际交易。
May, 2022
本研究利用推特对澳大利亚 COVID-19 病例进行情感分析和话题模型分析,探究社交媒体对疫情预测的作用,结果表明加入社交媒体变量可以改进疫情预测模型的准确性,并发布全球的 MegaGeoCOV 数据集,以帮助更好地理解全球疫情的动态。
Jun, 2022
使用 RoBERTa 语言模型,对涉及 Covid-19 和教育的推文进行情感分析,并结合地理数据库的地理标记,得出高确诊病例国家的总推文、积极推文和消极推文趋势与官方确诊统计数据存在相关性的趋势。
Mar, 2022
本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法,对加拿大、法国、印度、韩国和英国进行短期(10 天)预测,另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估,旨在有效分配医疗资源和提供政策决策的预警。
Apr, 2020