使用XGBoost回归器和技术指标进行加密货币价格预测
本文研究了加密货币市场的极端波动,并提出了一种基于深度学习的合成变压器模型,该模型利用CryptoQuant数据和鲸鱼警报推文来预测比特币的极端波动,结果表明该模型优于现有的最先进的模型。
Oct, 2022
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
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
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
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
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
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
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