Mar, 2024

利用 Transformer 神经网络和技术指标提升加密货币价格预测

PDF
TL;DR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。
cryptocurrencytime seriestechnical indicatorsperformer neural networkbilstm
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 加密货币价格预测的深度学习模型评述：实施与评估

    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

  • Transformer 与 LSTM 在电子交易中的对比

    通过比较多种基于 LSTM 和 Transformer 的模型在高频限价盘数据上的多个金融预测任务中的表现，研究发现 Transformer-based 模型在绝对价格趋势预测方面仅具有有限优势，而基于 LSTM 的模型在价格差异和价格变动等差异序列预测方面表现更好且更稳健。

    Sep, 2023

  • 使用 CNN 和 Transformer 进行金融时间序列预测

    本文提出了通过使用卷积神经网络和 Transformers 来捕捉时间序列中的短期和长期依赖，并用于预测股票价格变化，与传统的统计和深度学习方法相比，实验结果表明该方法取得了成功。

    Apr, 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

  • 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

  • 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