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

该研究提出了一种基于线性法则的特征空间转换（LLT）算法，用于辅助单变量和多变量时间序列分类。LLT R 软件包可以将训练集中的线性法则应用于测试集，从而实现快速的特征转换。

Apr, 2023

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

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

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

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

本文提出了一种名为 C2RM 的模块，可以有效地捕捉比特币与其他加密货币之间的同步和异步影响因素，综合实验结果表明，C2RM 可以帮助现有的价格预测方法显著提高性能，揭示了跨加密货币相互作用对于比特币价格预测的有效性。

Apr, 2022

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

本文研究以太坊网络的气体费用动态，比较多种基于深度学习的预测方法的表现，并提出了一种新的矩阵记录的预处理方法，这可以帮助网络用户做出明智的气体费用选择，以及确定提交交易的最佳时间窗口。

May, 2023

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