論文の概要: Causal Feature Engineering of Price Directions of Cryptocurrencies using
Dynamic Bayesian Networks
- arxiv url: http://arxiv.org/abs/2306.08157v1
- Date: Tue, 13 Jun 2023 22:07:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 22:43:59.888809
- Title: Causal Feature Engineering of Price Directions of Cryptocurrencies using
Dynamic Bayesian Networks
- Title（参考訳）: 動的ベイズネットワークを用いた暗号通貨の価格方向の因果的特徴工学
- Authors: Rasoul Amirzadeh, Asef Nazari, Dhananjay Thiruvady, and Mong Shan Ee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cryptocurrencies have gained popularity across various sectors, especially in
finance and investment. The popularity is partly due to their unique
specifications originating from blockchain-related characteristics such as
privacy, decentralisation, and untraceability. Despite their growing
popularity, cryptocurrencies remain a high-risk investment due to their price
volatility and uncertainty. The inherent volatility in cryptocurrency prices,
coupled with internal cryptocurrency-related factors and external influential
global economic factors makes predicting their prices and price movement
directions challenging. Nevertheless, the knowledge obtained from predicting
the direction of cryptocurrency prices can provide valuable guidance for
investors in making informed investment decisions. To address this issue, this
paper proposes a dynamic Bayesian network (DBN) approach, which can model
complex systems in multivariate settings, to predict the price movement
direction of five popular altcoins (cryptocurrencies other than Bitcoin) in the
next trading day. The efficacy of the proposed model in predicting
cryptocurrency price directions is evaluated from two perspectives. Firstly,
our proposed approach is compared to two baseline models, namely an
auto-regressive integrated moving average and support vector regression.
Secondly, from a feature engineering point of view, the impact of twenty-three
different features, grouped into four categories, on the DBN's prediction
performance is investigated. The experimental results demonstrate that the DBN
significantly outperforms the baseline models. In addition, among the groups of
features, technical indicators are found to be the most effective predictors of
cryptocurrency price directions.
- Abstract（参考訳）: 暗号通貨は様々な分野、特に金融と投資で人気を博している。
この人気は、プライバシ、分散化、追跡不能など、ブロックチェーン関連の特性に由来する独自の仕様による部分がある。
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。
暗号通貨価格の固有のボラティリティと、内部の暗号通貨関連要因と外部の影響力のあるグローバル経済要因が組み合わさって、その価格と価格運動の方向を予測するのが困難である。
それでも、暗号通貨価格の方向性を予測することで得られる知識は、投資家が情報的投資決定を行う上で貴重なガイダンスを提供することができる。
そこで本稿では,多変量構成の複雑なシステムをモデル化する動的ベイズネットワーク(dbn)手法を提案し,次の取引日における5つの人気のあるaltcoin(bitcoin以外の暗号)の価格移動方向の予測を行う。
暗号通貨価格方向予測における提案モデルの有効性を2つの視点から評価した。
まず,提案手法を2つのベースラインモデル,すなわち自己回帰的統合移動平均とサポートベクトル回帰と比較した。
第2に,機能工学の観点からは,DBNの予測性能に対する23の異なる特徴が4つのカテゴリに分けた影響について検討した。
実験の結果,DBNはベースラインモデルよりも有意に優れていた。
さらに、特徴群の中で、技術的指標が暗号通貨価格の方向性の最も効果的な予測因子であることが判明した。
関連論文リスト
- Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。
歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。
その結果、購入/販売信号の精度は92%を超えた。
論文 参考訳（メタデータ） (2024-10-09T14:29:50Z) - Multi-Source Hard and Soft Information Fusion Approach for Accurate Cryptocurrency Price Movement Prediction [5.885853464728419]
本稿では,暗号通貨価格変動予測の精度を高めるために,HSIF(ハード・アンド・ソフト・インフォメーション・フュージョン)と呼ばれる新しい手法を導入する。
我々のモデルは価格変動を予測するのに約96.8%の精度がある。
情報の導入により,社会的感情が価格変動に与える影響を把握することができる。
論文 参考訳（メタデータ） (2024-09-27T16:32:57Z) - Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。
我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。
モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
論文 参考訳（メタデータ） (2024-07-16T14:41:27Z) - IT Strategic alignment in the decentralized finance (DeFi): CBDC and digital currencies [49.1574468325115]
分散型金融(DeFi)は、ディスラプティブベースの金融インフラである。
1) DeFiの一般的なIT要素は何か?
2) DeFi における IT 戦略の整合性には,どのような要素があるのでしょう?
論文 参考訳（メタデータ） (2024-05-17T10:19:20Z) - Interplay between Cryptocurrency Transactions and Online Financial
Forums [41.94295877935867]
本研究は、これらの暗号掲示板間の相互作用と暗号値の変動に関する研究に焦点をあてる。
これは、Bitcointalkフォーラムの活動がBTCの値のトレンドと直接的な関係を保っていることを示している。
この実験は、フォーラムデータが金融分野における特定の出来事を説明することを強調している。
論文 参考訳（メタデータ） (2023-11-27T16:25:28Z) - 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) - Modelling Determinants of Cryptocurrency Prices: A Bayesian Network
Approach [0.8602553195689513]
ソーシャルメディアは暗号通貨の価格に最も大きな影響を及ぼす要因である。
因子の変化に対して硬貨の反応を一般化することは不可能である。
硬貨は特定の価格変動の調査のために別々に研究される必要がある。
論文 参考訳（メタデータ） (2023-03-26T21:54:41Z) - Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial
Task & Hyperbolic Models [31.690290125073197]
バブル検出のための新しいマルチスパン識別タスクであるCryptoBubblesを公開・公開する。
我々はこのマルチスパン識別タスクに適した一連のシーケンス・ツー・シーケンス・ハイパーボリックモデルを開発する。
RedditとTwitterでCryptoBubblesとハイパーボリックモデルの実用性を示す。
論文 参考訳（メタデータ） (2022-05-11T08:10:02Z) - The Doge of Wall Street: Analysis and Detection of Pump and Dump Cryptocurrency Manipulations [50.521292491613224]
本稿では,インターネット上のコミュニティによって組織された2つの市場操作(ポンプとダンプと群衆ポンプ)について,詳細な分析を行う。
ポンプとダンプの仕組みは、株式市場と同じくらい古い詐欺だ。今や、緩やかに規制された暗号通貨市場において、新たな活力を得た。
本報告では,ポンプ群とダンプ群に関する3症例について報告する。
論文 参考訳（メタデータ） (2021-05-03T10:20:47Z) - Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency Market Manipulations [50.521292491613224]
インターネット上のコミュニティによって組織されたポンプとダンプの詳細な分析を行う。
これらのコミュニティがどのように組織化され、どのように詐欺を行うかを観察します。
本研究では,不正行為をリアルタイムに検出する手法を提案する。
論文 参考訳（メタデータ） (2020-05-04T21:36:18Z)
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。