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
- 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - 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) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - 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) - 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) - 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) - 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) - 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。