Fugu-MT 論文翻訳(概要): Forecasting Bitcoin closing price series using linear regression and neural networks models

論文の概要: Forecasting Bitcoin closing price series using linear regression and neural networks models

arxiv url: http://arxiv.org/abs/2001.01127v1
Date: Sat, 4 Jan 2020 21:04:05 GMT
ステータス: 処理完了
システム内更新日: 2023-01-14 12:39:49.225166
Title: Forecasting Bitcoin closing price series using linear regression and neural networks models
Title（参考訳）: 線形回帰モデルとニューラルネットワークモデルを用いたBitcoin閉鎖価格系列予測
Authors: Nicola Uras and Lodovica Marchesi and Michele Marchesi and Roberto Tonelli
Abstract要約: データ価格と前日のボリュームを用いて、Bitcoinの日次閉鎖価格の予測方法について検討する。統計的手法と機械学習アルゴリズムの両方を実装した。
参考スコア（独自算出の注目度）: 4.17510581764131
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper studies how to forecast daily closing price series of Bitcoin, using data on prices and volumes of prior days. Bitcoin price behaviour is still largely unexplored, presenting new opportunities. We compared our results with two modern works on Bitcoin prices forecasting and with a well-known recent paper that uses Intel, National Bank shares and Microsoft daily NASDAQ closing prices spanning a 3-year interval. We followed different approaches in parallel, implementing both statistical techniques and machine learning algorithms. The SLR model for univariate series forecast uses only closing prices, whereas the MLR model for multivariate series uses both price and volume data. We applied the ADF -Test to these series, which resulted to be indistinguishable from a random walk. We also used two artificial neural networks: MLP and LSTM. We then partitioned the dataset into shorter sequences, representing different price regimes, obtaining best result using more than one previous price, thus confirming our regime hypothesis. All the models were evaluated in terms of MAPE and relativeRMSE. They performed well, and were overall better than those obtained in the benchmarks. Based on the results, it was possible to demonstrate the efficacy of the proposed methodology and its contribution to the state-of-the-art.
Abstract（参考訳）: 本稿では,前日の価格とボリュームのデータを用いて,Bitcoinの日次閉鎖価格の予測方法について検討する。 Bitcoinの価格変動は、まだ明らかにされていない。我々は、bitcoin価格予測に関する最近の2つの研究と、intel、national bank shares、microsoft daily nasdaqの3年間にわたって価格を閉じる有名な論文と比較した。統計的手法と機械学習アルゴリズムの両方を実装して、さまざまなアプローチを並行して行いました。単変量系列予測のSLRモデルは閉値のみを使用するのに対し、多変量系列のMLRモデルは価格と体積データの両方を使用する。 ADF-Testをこれらのシリーズに適用し、ランダムウォークと区別できない結果となった。 MLPとLSTMという2つの人工ニューラルネットワークも使用しました。その後、データセットを短いシーケンスに分割し、異なる価格体系を表現し、1つ以上の価格で最良の結果を得た。すべてのモデルがMAPEと相対RMSEで評価された。性能は良好で、ベンチマークで得られたものよりも全体的に優れていた。その結果,提案手法の有効性と現状への貢献を実証することができた。

関連論文リスト

Comparative Study of Bitcoin Price Prediction [0.0]
一般化を高めるために5倍のクロスバリデーションを使用し、L2正規化を利用して過度な適合とノイズを低減する。我々の研究は、GRUsモデルがBitcoinの価格を予測するLSTMモデルよりも精度が高いことを示した。
論文参考訳（メタデータ） (2024-05-13T18:10:34Z)
Forecasting Cryptocurrency Prices Using Deep Learning: Integrating Financial, Blockchain, and Text Data [3.8443430569753025]
我々は、先進的なディープラーニングNLP手法を用いて、公開感情が暗号通貨評価に与える影響を分析する。我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが,市場感情を捉える上で極めて有効であることを発見した。
論文参考訳（メタデータ） (2023-11-23T16:14:44Z)
Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文参考訳（メタデータ） (2023-10-31T03:16:32Z)
Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文参考訳（メタデータ） (2022-05-27T08:38:20Z)
Time Series Analysis of Blockchain-Based Cryptocurrency Price Changes [0.0]
リスクの高い暗号通貨の歴史的記録にAIを適用して、価格を推測する予測モデルをトレーニングする。このモデルは、LSTM、ドロップアウト、密度の高い3つのレイヤを使用してトレーニングされ、50エポックのトレーニングで損失を最小化する。最後に、ノートブックは、実際の通貨価格と予測された価格のライングラフを赤でプロットする。
論文参考訳（メタデータ） (2022-02-19T04:28:07Z)
Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文参考訳（メタデータ） (2022-02-01T18:15:24Z)
Bitcoin Price Predictive Modeling Using Expert Correction [0.0]
この論文は、Bitcoin通貨統計、マイニングプロセス、Google検索トレンド、ウィキペディアページ訪問に基づくレグレッション機能を含む、Bitcoin価格の線形モデルについて研究している。ベイジアンアプローチは、太い尾を持つ分布を用いて確率的アプローチを活用でき、Bitcoin価格時系列の外れ値を考慮することができることが示されている。
論文参考訳（メタデータ） (2022-01-06T15:11:51Z)
On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning [7.7172142175424066]
本研究は、2017年1月から2021年1月までの1時間/日のデータを用いて、暗号通貨の価格変動の予測可能性を分析することを目的とする。実験では,技術指標のみの制限モデルと,技術指標,トレーディング指標,ソーシャルメディア指標の非制限モデルを考慮して,技術指標,トレーディング指標,ソーシャルメディア指標の3つの機能を用いた。この研究は、時間ごとの結果に基づいて、制限のないモデルが制限されたモデルを上回ることを示している。
論文参考訳（メタデータ） (2021-02-13T13:18:36Z)
Masksembles for Uncertainty Estimation [60.400102501013784]
ディープニューラルネットワークは、その強みを巧みに実証しているが、その予測の信頼性を推定することは依然として困難である。深層アンサンブルは不確かさを推定する最良の方法の1つと考えられているが、訓練や評価は非常に高価である。 mc-dropoutも人気の高い代替品で、安価だが信頼性も低い。
論文参考訳（メタデータ） (2020-12-15T14:39:57Z)
Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文参考訳（メタデータ） (2020-10-28T17:53:57Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。