Fugu-MT 論文翻訳(概要): MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price

論文の概要: MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price

arxiv url: http://arxiv.org/abs/2105.00707v1
Date: Mon, 3 May 2021 09:32:23 GMT
ステータス: 処理完了
システム内更新日: 2021-05-04 19:35:23.577389
Title: MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price
Title（参考訳）: MRC-LSTM:Bitcoin価格予測のためのマルチスケール残留CNNとLSTMのハイブリッドアプローチ
Authors: Qiutong Guo and Shun Lei and Qing Ye and Zhiyang Fang
Abstract要約: MRC-LSTMと呼ばれる新しいアプローチを提案し、マルチスケールのレジデンシャル畳み込みニューラルネットワーク(MRC)とLong Short-Term Memory(LSTM)を組み合わせ、Bitcoinクロージング価格予測を実装します。我々はビットコインの日替わり価格(USD)を予測する実験を行い、実験結果から、MRC-LSTMは他の様々なネットワーク構造よりも著しく優れていることが示された。
参考スコア（独自算出の注目度）: 0.11470070927586015
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bitcoin, one of the major cryptocurrencies, presents great opportunities and challenges with its tremendous potential returns accompanying high risks. The high volatility of Bitcoin and the complex factors affecting them make the study of effective price forecasting methods of great practical importance to financial investors and researchers worldwide. In this paper, we propose a novel approach called MRC-LSTM, which combines a Multi-scale Residual Convolutional neural network (MRC) and a Long Short-Term Memory (LSTM) to implement Bitcoin closing price prediction. Specifically, the Multi-scale residual module is based on one-dimensional convolution, which is not only capable of adaptive detecting features of different time scales in multivariate time series, but also enables the fusion of these features. LSTM has the ability to learn long-term dependencies in series, which is widely used in financial time series forecasting. By mixing these two methods, the model is able to obtain highly expressive features and efficiently learn trends and interactions of multivariate time series. In the study, the impact of external factors such as macroeconomic variables and investor attention on the Bitcoin price is considered in addition to the trading information of the Bitcoin market. We performed experiments to predict the daily closing price of Bitcoin (USD), and the experimental results show that MRC-LSTM significantly outperforms a variety of other network structures. Furthermore, we conduct additional experiments on two other cryptocurrencies, Ethereum and Litecoin, to further confirm the effectiveness of the MRC-LSTM in short-term forecasting for multivariate time series of cryptocurrencies.
Abstract（参考訳）: 主要な暗号通貨の1つであるBitcoinは、大きなリスクを伴う巨大なリターンをもたらす大きなチャンスと課題を提示している。ビットコインの高ボラティリティとそれに影響する複雑な要因は、世界中の金融投資家や研究者にとって実用的な価格予測方法の研究をもたらす。本稿では,マルチスケール残差畳み込みニューラルネットワーク (MRC) とLong Short-Term Memory (LSTM) を組み合わせた MRC-LSTM という新しい手法を提案する。具体的には、多スケール残差モジュールは、多変量時系列における異なる時間スケールの特徴を適応的に検出できるだけでなく、これらの特徴の融合を可能にする一次元畳み込みに基づいている。 LSTMは、金融時系列予測において広く使われている、時系列の長期依存関係を学習する能力を持っている。これらの2つの手法を混合することにより、表現力の高い特徴を得、多変量時系列の傾向や相互作用を効率的に学習することができる。本研究は、ビットコイン市場の取引情報に加えて、マクロ経済変数や投資家の関心などの外部要因がビットコイン価格に与える影響を考察する。我々はビットコインの日替わり価格(USD)を予測する実験を行い、実験の結果、MRC-LSTMは他の様々なネットワーク構造よりも著しく優れていた。さらに,他の2つの暗号通貨,Ethereum と Litecoin について追加実験を行い,多変量時系列の短期予測における MRC-LSTM の有効性をさらに確認する。

関連論文リスト

MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Review of deep learning models for crypto price prediction: implementation and evaluation [5.240745112593501]
本稿では、暗号通貨価格予測のためのディープラーニングに関する文献をレビューし、暗号通貨価格予測のための新しいディープラーニングモデルを評価する。我々のディープラーニングモデルには、長い短期記憶(LSTM)リカレントニューラルネットワークの変種、畳み込みニューラルネットワーク(CNN)の変種、トランスフォーマーモデルが含まれています。また、新型コロナウイルスのパンデミックを通じて価格の大幅な変動を示す4つの暗号通貨のボラティリティ分析を実施している。
論文参考訳（メタデータ） (2024-05-19T03:15:27Z)
Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-18T16:21:15Z)
Causal Feature Engineering of Price Directions of Cryptocurrencies using Dynamic Bayesian Networks [1.4356611205757077]
仮想通貨の人気は上昇しているが、価格のボラティリティと不確実性のため、暗号通貨はリスクの高い投資のままである。本稿では,5つの人気の価格方向を予測できる動的ベイズネットワーク(DBN)手法を提案する。次のトレーディングデーでBitcoin以外は。
論文参考訳（メタデータ） (2023-06-13T22:07:51Z)
The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文参考訳（メタデータ） (2023-04-11T13:15:33Z)
Ensemble and Multimodal Approach for Forecasting Cryptocurrency Price [5.333582981327497]
暗号通貨の為替レートの予測は極めて難しい課題だ。本稿では,価格変動を導出するすべてのモダリティを利用するマルチモーダルなAdaBoost-LSTMアンサンブル手法を提案する。既存のツールや手法と比べて19.29%の改善が見られた。
論文参考訳（メタデータ） (2022-02-12T21:39:29Z)
Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning [8.431365407963629]
本研究では,PPO(Deep reinforcement Learning Algorithm-proximal Policy Optimization)に基づく,高速ビットコイン自動取引のためのフレームワークを提案する。提案したフレームワークは、ボラティリティと急上昇の期間を通じて過剰なリターンを得ることができるため、ディープラーニングに基づく単一暗号通貨取引戦略を構築するための扉を開くことができる。
論文参考訳（メタデータ） (2021-09-30T01:24:03Z)
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)
Real-Time Prediction of BITCOIN Price using Machine Learning Techniques and Public Sentiment Analysis [0.0]
本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。 TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
論文参考訳（メタデータ） (2020-06-18T15:40:11Z)
Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文参考訳（メタデータ） (2020-06-08T23:37:47Z)
M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。