論文の概要: A Data-driven Deep Learning Approach for Bitcoin Price Forecasting
- arxiv url: http://arxiv.org/abs/2311.06280v1
- Date: Fri, 27 Oct 2023 10:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-19 14:30:36.917630
- Title: A Data-driven Deep Learning Approach for Bitcoin Price Forecasting
- Title（参考訳）: Bitcoin価格予測のためのデータ駆動ディープラーニングアプローチ
- Authors: Parth Daxesh Modi, Kamyar Arshi, Pertami J. Kunz, Abdelhak M. Zoubir
- Abstract要約: 本稿では,bitcoinの閉口価格を日単位の時間枠で予測するために,浅い双方向LSTM(Bidirectional-LSTM)モデルを提案する。
本稿では,他の予測手法と比較し,提案手法の助けを借りて,浅層ニューラルネットワークが他の一般的な価格予測モデルより優れていることを示す。
- 参考スコア（独自算出の注目度）: 10.120972108960425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bitcoin as a cryptocurrency has been one of the most important digital coins
and the first decentralized digital currency. Deep neural networks, on the
other hand, has shown promising results recently; however, we require huge
amount of high-quality data to leverage their power. There are some techniques
such as augmentation that can help us with increasing the dataset size, but we
cannot exploit them on historical bitcoin data. As a result, we propose a
shallow Bidirectional-LSTM (Bi-LSTM) model, fed with feature engineered data
using our proposed method to forecast bitcoin closing prices in a daily time
frame. We compare the performance with that of other forecasting methods, and
show that with the help of the proposed feature engineering method, a shallow
deep neural network outperforms other popular price forecasting models.
- Abstract（参考訳）: 暗号通貨としてのbitcoinは、最も重要なデジタル通貨の1つであり、最初の分散デジタル通貨である。
一方で、ディープニューラルネットワークは、最近有望な結果を示しているが、そのパワーを活用するには、大量の高品質なデータが必要である。
データセットのサイズを増やすのに役立つ拡張など、いくつかのテクニックがありますが、過去のbitcoinデータでは利用できません。
その結果,提案手法を用いて,日単位のbitcoin閉口価格の予測を行う機能工学的データを用いた浅層双方向LSTM(Bidirectional-LSTM)モデルを提案する。
本稿では,他の予測手法と比較し,提案手法の助けを借りて,浅層ニューラルネットワークが他の一般的な価格予測モデルより優れていることを示す。
関連論文リスト
- 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 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) - Boosted Dynamic Neural Networks [53.559833501288146]
典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。
モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。
トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。
EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-11-30T04:23:12Z) - Exploiting the Potential of Datasets: A Data-Centric Approach for Model
Robustness [48.70325679650579]
本稿では,既存のディープニューラルネットワークの多くに有効であるデータセット拡張のための新しいアルゴリズムを提案する。
Alibaba GroupとTsinghua Universityが主催するデータ中心の堅牢な学習コンペで、私たちのアルゴリズムは3000以上の競合企業から3位に入った。
論文 参考訳（メタデータ） (2022-03-10T12:16:32Z) - 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) - 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) - 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) - A Blockchain Transaction Graph based Machine Learning Method for Bitcoin
Price Prediction [8.575998118995216]
既存のbitcoinの予測は、主に簡単な機能エンジニアリングに当てはまる。
異なる範囲のパターンを明らかにするために,kオーダーのトランザクショングラフを提案する。
特徴を受け入れて価格予測を行う新しい予測手法を提案し, 異なる歴史時代の特定のパターンを生かした価格予測手法を提案する。
論文 参考訳（メタデータ） (2020-08-21T20:08:17Z) - Bitcoin Transaction Forecasting with Deep Network Representation
Learning [16.715475608359046]
本稿では,Bitcoinトランザクションネットワーク表現の学習にディープニューラルネットワークを活用することで,Bitcoinトランザクション予測モデルであるDLForecastを開発するための新しいアプローチを提案する。
我々は,時間分解型リーチビリティグラフと時間分解型トランザクションパターングラフを構築し,異なるタイプの時空間Bitcoinトランザクションパターンをキャプチャすることを目的とした。
本研究では, 静的グラフベースライン上に構築した予測モデルと比較して, 時空間予測モデルは高速に実行可能であり, 精度を60%以上向上し, 予測性能を50%向上することを示した。
論文 参考訳（メタデータ） (2020-07-15T21:11:32Z) - 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) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳（メタデータ） (2020-06-17T18:14:30Z)
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。