Jan, 2024

加密货币质押奖励预测

PDF
TL;DR探究预测加密货币质押奖励的一个相对未被研究的领域，结果显示可使用滑动窗口平均值方法，在 1 天和 7 天前瞻中将 ETH 质押奖励预测误差控制在均值的 0.7% 和 1.1% 内。此外，我们发现不同加密货币（包括 SOL、XTZ、ATOM 和 MATIC）的预测准确性存在差异，对于 XTZ 和 ATOM，在短期预测中，线性回归模型优于滑动窗口平均值。研究结果强调了大多数资产质押奖励的稳定性和可预测性，但 MATIC 则是一个显著的例外。
cryptocurrency staking rewardspredictive methodologiessliding-window averagelinear regression modelsprediction accuracies
发现论文，激发创造
  • 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

  • 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

    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

  • 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

  • 利用基于线性法的转换预测加密货币的价格走势

    本研究旨在探究一种新的方法 -- 线性法特征空间转换 (LLT) 对加密货币日内价格运动预测准确性的影响。通过改变数据进行分类和机器学习算法的交叉验证，LLT 算法极大地提高了所有加密货币的预测准确性。

    Apr, 2023

  • 区块链交易费用预测：机器学习方法比较

    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

  • 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

  • 深度状态空间模型预测加密货币价格

    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

  • 贝叶斯回归与比特币

    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

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 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