論文の概要: Ensemble and Multimodal Approach for Forecasting Cryptocurrency Price
- arxiv url: http://arxiv.org/abs/2202.08967v1
- Date: Sat, 12 Feb 2022 21:39:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:37:14.210713
- Title: Ensemble and Multimodal Approach for Forecasting Cryptocurrency Price
- Title(参考訳): 暗号通貨価格予測のためのアンサンブルとマルチモーダルアプローチ
- Authors: Zeyd Boukhers and Azeddine Bouabdallah and Matthias Lohr and Jan
J\"urjens
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.333582981327497
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Since the birth of Bitcoin in 2009, cryptocurrencies have emerged to become a
global phenomenon and an important decentralized financial asset. Due to this
decentralization, the value of these digital currencies against fiat currencies
is highly volatile over time. Therefore, forecasting the crypto-fiat currency
exchange rate is an extremely challenging task. For reliable forecasting, this
paper proposes a multimodal AdaBoost-LSTM ensemble approach that employs all
modalities which derive price fluctuation such as social media sentiments,
search volumes, blockchain information, and trading data. To better support
investment decision making, the approach forecasts also the fluctuation
distribution. The conducted extensive experiments demonstrated the
effectiveness of relying on multimodalities instead of only trading data.
Further experiments demonstrate the outperformance of the proposed approach
compared to existing tools and methods with a 19.29% improvement.
- Abstract(参考訳): 2009年のBitcoin誕生以来、仮想通貨は世界的な現象となり、重要な分散型金融資産となった。
この分散化により、これらのデジタル通貨の価値は、時間とともに非常に変動する。
したがって、仮想通貨為替レートの予測は極めて難しい課題である。
本稿では,ソーシャルメディアの感情,検索ボリューム,ブロックチェーン情報,トレーディングデータなどの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。
投資意思決定を支援するため、このアプローチは変動分布も予測する。
実験により, 取引データのみに代えて, マルチモダリティに依存する効果が示された。
さらなる実験では、既存のツールや手法と比較して19.29%の改善が見られた。
関連論文リスト
- 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) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - 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) - Identifying contributors to supply chain outcomes in a multi-echelon
setting: a decentralised approach [69.62333053044712]
本稿では,推定貢献の分散計算における説明可能な人工知能の利用を提案する。
このアプローチは、サプライチェーンアクターにデータ共有を説得する必要性を緩和する。
その結果,集中型アプローチと比較して,品質変化の源泉を検出する方法の有効性が示された。
論文 参考訳(メタデータ) (2023-07-22T20:03:16Z) - Causal Feature Engineering of Price Directions of Cryptocurrencies using
Dynamic Bayesian Networks [0.7874708385247353]
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) - Forecasting Bitcoin volatility spikes from whale transactions and
CryptoQuant data using Synthesizer Transformer models [5.88864611435337]
ボラティリティ予測のためのディープラーニング合成器変換器モデルを提案する。
以上の結果から,既存の最先端モデルよりも優れたモデルであることが示唆された。
提案手法はビットコイン市場における極端なボラティリティ(変動性)の動きを予測するための有用なツールであることを示す。
論文 参考訳(メタデータ) (2022-10-06T05:44:29Z) - MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to
Predict Bitcoin Price [0.11470070927586015]
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。
論文 参考訳(メタデータ) (2021-05-03T09:32:23Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳(メタデータ) (2020-04-13T13:50:13Z) - Ascertaining price formation in cryptocurrency markets with DeepLearning [8.413339060443878]
本論文は,近年の株式市場予測にディープラーニングを用いた成功に触発されたものである。
暗号通貨市場の特徴を高周波で分析・提示する。
私たちは、Bitcoinと米ドルのライブ為替レートの中間価格運動の予測について、一貫した78%の精度を達成しました。
論文 参考訳(メタデータ) (2020-02-09T20:23:08Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳(メタデータ) (2020-02-09T08:10:03Z)
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。