使用动态贝叶斯网络进行加密货币价格方向的因果特征工程
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
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
本文介绍了贝叶斯回归方法在比特币价格预测中的有效性,使用贝叶斯回归预测了比特币的实时价格,并且设计了一个简单的交易策略,该策略能够在不到 60 天的时间内将投资增加近一倍。
Oct, 2014
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
我们的工作提出了两个基本贡献:在应用方面,我们解决了预测次日加密货币价格的难题;在方法上,我们提出了一种新的动态建模方法,深度状态空间模型,它保持了状态空间模型的概率形式,提供了估计的不确定性量化,并具备深度神经网络的函数逼近能力。实验使用了从 Yahoo Finance 获取的已建立的加密货币进行,旨在预测下一天的价格。与现有技术和传统动态建模技术进行了基准测试,结果显示所提出的方法在准确性方面取得了最佳综合结果。
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
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
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
通过结合区块链技术、加密货币趋势预测和情感数据分析,本文提出了一种新颖的双重注意机制 (DAM) 来预测加密货币趋势,并通过 CryptoBERT 模型对新闻和社交媒体上的情感数据进行分析。该方法将分布式系统、自然语言处理和金融预测相结合,相较于传统模型如 LSTM 和 Transformer,预测准确性提高了 20%。这一进展深化了对分布式系统的理解,并在金融市场中具有实际意义,对加密货币和区块链技术的利益相关者有所裨益。此外,增强的预测方法可以显著支持分散式科学 (DeSci),促进战略规划和区块链技术的高效采用,提高数字资产领域的运营效率和金融风险管理,从而确保资源的最优配置。
May, 2024
该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型,以预测股票和加密货币市场的价格波动。研究表明,该框架可以提供有利可图和稳健的预测,并引入一个交易策略来利用训练模型的输出。
May, 2022