基于数据驱动的深度学习方法进行比特币价格预测
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
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
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
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
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
本文提出了一种基于深度学习的时间序列预测方法,并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤,并进行可视化检查。实验结果表明,如果数据集中的时间序列重复出现固定模式,则可以使用单个时间序列来训练深度学习网络。然而,对于股票市场收盘价格等较少结构化的时间序列,网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。
Feb, 2023
本文提出了一种构建平稳特征的新方法,可以有效地应用深度学习模型以解决金融数据非恒定性等问题,并结合了 CNN 模型提取有用特征和 LSTM 模型分析时间序列的能力,测试显示其在预测期限方面优于单独的 LSTM 和 CNN 模型。
Oct, 2018
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
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