- 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。
- 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。
- 利用 Transformer 神经网络和技术指标提升加密货币价格预测
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 - 基于表情符号的加密资产市场反应
利用 GPT-4 和基于 BERT 模型的多模态情绪分析,通过将表情符号转化为可量化的情绪数据,将其与 BTC 价格和 VCRIX 指数等关键市场指标相关联,从而开发出基于社交媒体元素的交易策略,帮助识别和预测市场趋势,避免重大市场下滑并促 - 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, - 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 - 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。
- KDD从资产流动到状态、行动和意图发现:加密货币中的早期恶意检测
提议了一种用于比特币(BTC)的早期恶意检测的意图监控模型,通过基于决策树的特征选择和补充为不同恶意类型构建不同的特征集,使用状态 / 行为建议模块和意图变分自动编码器模块生成相关特征,进而提高模型的可解释性和检测效果。实验证明该算法优于现 - 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。
- 使用基于订单流的深度卷积神经网络进行短期波动率预测
本研究使用卷积神经网络将市场信息编码成图像,以预测加密货币短期实现波动性。实验结果表明,该方法有潜力更好地捕捉市场动态和进行更好的波动性预测。
- 建立分布式账本技术知识图谱
本文提出了分布式账本技术的知识图谱和本体论,包括威胁和漏洞,应用领域以及相关标准和法规,从而改善人们对分布式账本技术的整体认识,揭示其优势,并支持安全人员的工作。
- Evolve Path Tracer: 加密货币中恶意地址的早期检测
本文提出了 Evolve Path Tracer 来检测虚拟货币中的欺诈行为和恶意地址,通过引入资产转移路径和对应路径图来描述交易模式。与现有技术相比,本文提出的解决方案可以满足早期恶意地址检测的需求,并在三个真实数据集上取得了优异表现。
- 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。
- 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。
- 加密货币市场预测的社交媒体情感分析
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 - KDD比特币反洗钱:基于图卷积网络的金融取证实验
本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色,以及加密货币所引入的假名化和开放数据等新问题,同时提出使用分类算法和图方法来预测和控制非法交易,并分享了一个被标记的比特币交易数据集以供进一步研究。
- WWW利用社交媒体信号感知加密货币新闻
该研究旨在实时追踪并监测加密货币新闻,利用机器学习模型预测其发布后前 24 小时在 Twitter 上被提及的数量,并比较了多种模型,其结果表明随机森林自回归模型在大多数情况下表现良好。
- 区块链上的安全与隐私
该研究论文综述了区块链的安全性和隐私保护。文章首先介绍了区块链的概念和加密货币系统的基本安全属性,然后讨论了应用于区块链的更高级的安全和隐私属性。最后,研究人员回顾了一些代表性的共识算法、哈希链存储、混合协议、匿名签名和非交互式零知识证明等 - 加密货币泵灌倾销计划的解剖学
本研究是首次对加密货币市场中 “炒作及抛售” 活动的详细经验查询,通过案例研究及对 Telegram 渠道所组织的 412 个 “炒作及抛售” 活动的调查,发现了与 “炒作及抛售” 计划相关的加密货币市场模式,之后,通过建立模型,可以预测加 - 以太坊智能合约安全分析的语义框架
本文提出了 EVM bytecode 的第一个完整的小步语义,形式化验证了这些程序的语义和关键安全属性,并识别了现有语义和验证工具的各种错误和不精确性,为智能合约的安全验证提供了严谨的语义基础。