- 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 - 比特币区块链上检测 CoinJoin 交易的启发式方法
研究深入探讨了比特币和其关联的区块链的复杂性，提及了 CoinJoin 作为一种提升交易隐私性的方法，分析了不同的 CoinJoin 实现方式对区块链分析的挑战，并开展详尽分析以识别这些交易。
- 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。
- 比特币：基于双向标记和监督对比学习的联合关系三元抽取框架
BitCoin 是一种创新的双向标记和监督对比学习的联合关系三元组提取框架，通过考虑主体和客体之间的多个正例，引入惩罚项来防止过度相似度，并实现了从主体到客体和从客体到主体的三元组提取。实验结果表明，BitCoin 在基准数据集上取得了最先 - KDDBIRP：基于多模式匹配的比特币信息检索预测模型
其在金融市场中的模式匹配算法加工中，以比特币作为样本测试，实现预测结果的提升以指导投资决策。
- 比特币区块链上实际经济活动的时间和地理分析
我们研究了比特币区块链中涉及零售用户的真实经济活动，包括频繁接收者、邻居和其他人的分类方法，并发现大多数实际交易涉及频繁接收者，占据了交易总价值的一小部分，但所有付款的显著部分，引发了比特币生态系统集中化的关注。我们还进行了一周内活动的模式 - 链节轨道：比特币区块链的拓扑地址嵌入
通过使用一种名为 Chainlet Orbits 的新方法，该方法嵌入地址并使用其拓扑特征，我们能够更好地检测出由比特币网络中的违法行为引起的独特子结构，并且该方法通过使用可解释的机器学习模型在短时间内进行了一些检测。
- VDHLA: 变深度混合学习自动机及其在比特币自私挖掘攻击防御中的应用
提出了一种新型的混合式学习自动机模型 VDHLA，可以在变化的环境下，通过改变固定结构自动机的层数来提高自适应性，在实验中有效防御了 Bitcoin 中的自私挖矿攻击。
- Nik 防御：基于人工智能的比特币自私挖掘防御机制
该研究提出采用学习自动机理论的基于人工智能的防御机制来对抗 Bitcoin 自私挖矿攻击，通过根据区块发现时间分配权重、自适应地评估分支高度差异来修改当前的比特币分叉解决策略，可将利润阈值提高至 40％，并降低自私攻击者的收益。
- 利用图神经网络揭示比特币地址行为
本文提出了一种基于机器学习的比特币地址分类工具 BAClassifier，该工具利用地址图结构和特征网络，对比特币地址行为进行自动分类，实验结果表明该方法在比特币地址分类上表现优秀，可有效提高识别比特币网络中恶意交易的能力。
- 使用合成器变压器模型从鲸鱼交易和 CryptoQuant 数据预测比特币波动率的飙升
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。
- 比特币早期恶意检测的意图发现
该论文提出了一种新的基于实时预测的检测模型，可用于监测比特币交易中的各种非法活动，具有强解释性和高效性。
- Twitter FinBERT 嵌入式的多模态模型用于比特币极端价格变动预测
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。
- 比特币价格预测的交叉加密货币关系挖掘
本文提出了一种名为 C2RM 的模块，可以有效地捕捉比特币与其他加密货币之间的同步和异步影响因素，综合实验结果表明，C2RM 可以帮助现有的价格预测方法显著提高性能，揭示了跨加密货币相互作用对于比特币价格预测的有效性。
- 加密货币估值：一种可解释的人工智能方法
该研究提出了一种基于区块链会计方法的市场 - 基本面比率，称为价格 - 效用（PU）比率，该比率有效地预测了长期比特币回报。使用机器学习验证了 PU 比率的可解释性，提出了一种比传统的买入持有和市场预测策略表现更好的基于 PU 比率的自动交 - MRC-LSTM: 多尺度残差 CNN 和 LSTM 的混合方法用于预测比特币价格
该研究提出了一种名为 MRC-LSTM 的新方法，该方法结合了多尺度残差卷积神经网络（MRC）和长短时记忆（LSTM）来实现比特币价格预测。研究考虑了外部因素的影响，如宏观经济变量和投资者关注度，显示出 MRC-LSTM 在价格预测上明显优 - 从比特币区块链推断短期波动性指标
本论文通过比特币日常交易图表中的特征研究推断极端价格波动期间的预警指标（EWIs）的可能性，并证明了相对于奇异值分解或比特币交易总量的标量值，使用比特币区块链从 2012 年到 2017 年的时间段推断交易图的低维表示如何被用于预测极端价格 - 比特币泡沫是否可预测？结合广义的麦特卡夫定律和 LPPLS 模型
本研究利用基础和技术指标之前的巧合（或缺乏巧合），通过分析网络特性而建立了一个泡沫和熊市诊断模型，并且在至少四次情况下，我们发现在泡沫中普遍存在超指数不可持续增长，运用 LPPLS 模型预测了市场不稳定性和崩溃概率，并且发现比特币价格被高估 - 比特币的社交信号与算法交易
通过整合计算机金融、比特币、算法交易、社交媒体情感和盈利能力方面的知识，我们成功地设计了算法交易策略，并证实了基于社交媒体情感的交易能够带来高盈利。
- MM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。