Aug, 2023

链上参数的 AI 辅助调查：风险加密货币和价格因素

PDF
TL;DR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。
发现论文，激发创造
  • 加密货币市场动态的实验研究

    通过一项在线实验研究了区块链交易市场中交易者对同侪影响的敏感度以及设计选择对市场行为的影响。结果表明交易者的购买行为会导致购买行为的短期活跃，而交易所的设计会对此产生积极的社会和经济影响。

    Jan, 2018

  • 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

    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

  • 一种高级加密货币价值预测的自适应网络方法

    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

  • 比特币价格预测的交叉加密货币关系挖掘

    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

  • IcoRating: 一种用于识别欺诈 ICO 的深度学习系统

    本文介绍了 IcoRating，这是第一个基于学习的加密货币评级系统。利用自然语言处理技术对 2251 种数字货币的各个方面进行分析，例如白皮书内容、创始团队、Github 仓库、网站等。借助监督学习模型将数字货币的寿命和价格变化与这些特性相关联。该系统能够以 0.83 的精度识别骗局 ICO 项目。我们希望这项工作能帮助投资者识别诈骗 ICO，并吸引更多精力自动评估和分析 ICO 项目。

    Mar, 2018

  • 加密货币市场预测的社交媒体情感分析

    本研究探讨了不同的自然语言处理模型在社交媒体情感分析中的可用性，应用于金融市场预测，以加密货币领域为参考。我们研究了不同情感度量与比特币价格波动之间的相关性。通过实验我们发现有一个模型优于其他 20 多个公开模型，且通过 fine-tune 可以得到更好的性能，其解释性更强。因此我们证实可解释的人工智能和自然语言处理方法可能比不可解释的方法更有实际价值。最后，我们分析了不同情感度量与价格波动之间的潜在因果关系。

    Apr, 2022

  • 基于基因组和表观基因组特征的增强子和超级增强子的深度学习模型利用

    通过对包括卡尔达诺、币安、比特币、狗狗币、以太坊、空灵、Matic、币神和瑞波在内的多个数字货币的英文推特大数据集进行详尽研究，本文主要旨在进行社交媒体内容的心理和情感分析，比较不同数字货币之间的语言特征，探讨不同数字货币社区中呈现的独特语言模式，并揭示了这些数字资产在加密货币社区中的相互作用。

    Jan, 2024

  • 利用 Transformer 神经网络和技术指标提升加密货币价格预测

    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

  • 赋能强化学习智能体的因果分析框架：提升自动加密货币交易

    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

  • 基于 Transformer 的以跨币种相关性和情感分析为基础的以太坊价格预测方法

    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