多源硬信息与软信息融合方法用于准确预测加密货币价格走势
本研究旨在利用公共社交媒体数据(特别是Twitter)的深度学习表示来寻找一种新资产类别——加密货币(尤其是比特币)的波动率稳定且准确的波动率预测方法。研究利用超过3000万条比特币相关推文的语义信息和用户统计信息,并结合144天内每15分钟的价格数据来构建了多种深度学习构架。实证结果显示,时间卷积网络在预测精度上比经典自回归模型和其它深度学习构架表现更优,同时发现推文作者元信息是比推文的语义内容和推文体积更好的波动率预测因子。
Oct, 2021
本研究探讨了不同的自然语言处理模型在社交媒体情感分析中的可用性,应用于金融市场预测,以加密货币领域为参考。我们研究了不同情感度量与比特币价格波动之间的相关性。通过实验我们发现有一个模型优于其他20多个公开模型,且通过fine-tune可以得到更好的性能,其解释性更强。因此我们证实可解释的人工智能和自然语言处理方法可能比不可解释的方法更有实际价值。最后,我们分析了不同情感度量与价格波动之间的潜在因果关系。
Apr, 2022
本文提出了一种多模态预测模型,利用Twitter社交媒体以及其他相关资产价格和技术指标等预测比特币价格波动,最终构建一个能够准确预测市场运动的模型,提出了一种基于模型预测的交易策略,与传统策略相比风险更低,可用于实际交易。
May, 2022
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
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
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
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
通过结合区块链技术、加密货币趋势预测和情感数据分析,本文提出了一种新颖的双重注意机制(DAM)来预测加密货币趋势,并通过CryptoBERT模型对新闻和社交媒体上的情感数据进行分析。该方法将分布式系统、自然语言处理和金融预测相结合,相较于传统模型如LSTM和Transformer,预测准确性提高了20%。这一进展深化了对分布式系统的理解,并在金融市场中具有实际意义,对加密货币和区块链技术的利益相关者有所裨益。此外,增强的预测方法可以显著支持分散式科学(DeSci),促进战略规划和区块链技术的高效采用,提高数字资产领域的运营效率和金融风险管理,从而确保资源的最优配置。
May, 2024
利用机器学习方法,本研究使用技术指标(如指数移动平均线和移动平均收敛背离)对加密货币价格进行预测,并通过对比模拟展示出有希望的结果来证明其在动态市场条件下帮助加密货币交易者和投资者的可行性。
Jul, 2024