Dec, 2023

金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

PDF
TL;DR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。
cryptocurrencybitcoin priceshybrid machine learning algorithmsmodel interpretabilitytime-series statistics
发现论文，激发创造
  • 时间序列数据与 LLM 相遇 - 可解释的金融时间序列预测

    本文研究了利用大型语言模型在可解释金融时间序列预测中的应用，使用股票价格数据、公司元数据和历史新闻等多模态信号，在 NASDAQ-100 股票上进行实验，结果显示与一些基准模型相比，使用 GPT-4 和 Open LLaMA 这类新型模型进行零样本 / 少样本推断并通过基于指令的微调生成可解释预测，优于经典的 ARMA-GARCH 模型和梯度提升树模型。

    Jun, 2023

  • 使用 LSTM、SVM 和多项式回归预测加密货币价格

    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

  • 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

  • 时间序列分析的线性、机器学习和概率方法

    本文研究时间序列建模的不同方法，描述使用线性模型、ARIMA 算法、XGBoost 机器学习算法的预测方法，并展示不同模型组合的结果，同时考虑使用 copulas 和贝叶斯推断的概率建模方法。

    Feb, 2017

  • 顺序学习环境下的 COBRA 变体

    该研究论文介绍了基于不同变化的组合回归策略的多变量时间序列预测的创新方法。我们使用特定的数据预处理技术，对预测行为产生了重大变化。通过两种类型的超参数调优方法，贝叶斯优化（BO）和常规网格搜索，我们比较了模型的性能。我们提出的方法在八个时间序列数据集上（加密货币、股票指数和短期负荷预测）优于所有最先进的比较模型。

    Apr, 2024

  • 利用深度学习预测加密货币价格：整合金融、区块链和文本数据

    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

  • 比特币价格预测的比较研究

    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

  • 基于数据驱动的深度学习方法进行比特币价格预测

    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

  • 基于金融时间序列数据的兼容深度神经网络框架，包括数据预处理器、神经网络模型和交易策略

    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

  • 2020-2022 年间金融时序预测的深度学习技术进展综述

    本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究，包括不同数据源和神经网络结构的实现细节，旨在让研究人员了解该领域最新进展，方便选择先前研究中使用的模型基线，并提供未来研究建议。

    Apr, 2023