論文の概要: Prediction Of Cryptocurrency Prices Using LSTM, SVM And Polynomial Regression

• arxiv url: http://arxiv.org/abs/2403.03410v1
• Date: Wed, 6 Mar 2024 02:37:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 16:23:51.546117
• Title: Prediction Of Cryptocurrency Prices Using LSTM, SVM And Polynomial Regression
• Title（参考訳）: LSTM, SVM, ポリノミアル回帰を用いた暗号価格の予測
• Authors: Novan Fauzi Al Giffary, Feri Sulianta
• Abstract要約: これらの暗号通貨の価値の不確実性は、硬貨投資の分野において重要な問題である。 予測にLong Short Term Memory、Support Vector Machine、Polynomial Regressionアルゴリズムのモデルを利用することにより、性能比較を行う。 Support Vector Machineは線形カーネルを使用して、Long Short Term MemoryとPolynomial Regressionアルゴリズムモデルと比較して最小の平均2乗誤差を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of information technology, especially the Internet, has facilitated users with a quick and easy way to seek information. With these convenience offered by internet services, many individuals who initially invested in gold and precious metals are now shifting into digital investments in form of cryptocurrencies. However, investments in crypto coins are filled with uncertainties and fluctuation in daily basis. This risk posed as significant challenges for coin investors that could result in substantial investment losses. The uncertainty of the value of these crypto coins is a critical issue in the field of coin investment. Forecasting, is one of the methods used to predict the future value of these crypto coins. By utilizing the models of Long Short Term Memory, Support Vector Machine, and Polynomial Regression algorithm for forecasting, a performance comparison is conducted to determine which algorithm model is most suitable for predicting crypto currency prices. The mean square error is employed as a benchmark for the comparison. By applying those three constructed algorithm models, the Support Vector Machine uses a linear kernel to produce the smallest mean square error compared to the Long Short Term Memory and Polynomial Regression algorithm models, with a mean square error value of 0.02. Keywords: Cryptocurrency, Forecasting, Long Short Term Memory, Mean Square Error, Polynomial Regression, Support Vector Machine
• Abstract（参考訳）: 情報技術の急速な発展、特にインターネットは、利用者が情報を探すのを素早く簡単に行えるようにしている。 インターネットサービスが提供するこうした利便性により、金や貴金属に投資した多くの個人は暗号通貨の形でデジタル投資にシフトしつつある。 しかし、暗号通貨への投資は日々の不確実性と変動に満ちている。 このリスクはコイン投資家にとって大きな課題となり、実質的な投資損失につながる可能性がある。 これらの暗号通貨の価値の不確実性は、コイン投資の分野において重要な問題である。 予測は、これらの暗号通貨の将来的な価値を予測する方法の1つである。 暗号通貨価格の予測に最も適したアルゴリズムモデルを決定するために,長期記憶,サポートベクトルマシン,ポリノミアル回帰アルゴリズムのモデルを用いて,性能比較を行った。 平均二乗誤差は比較のベンチマークとして用いられる。 これら3つのアルゴリズムモデルを適用することで、サポートベクターマシンは線形カーネルを用いて、平均二乗誤差値0.02の長い短期記憶モデルと多項式回帰アルゴリズムモデルと比較して、最小の平均二乗誤差を生成する。 キーワード:暗号通貨、予測、長期短期記憶、平均二乗誤差、多項式回帰、サポートベクターマシン

関連論文リスト

• FIRP: Faster LLM inference via future intermediate representation prediction [54.897493351694195]
  FIRPはデコードステップ毎に1つではなく複数のトークンを生成する。 いくつかのモデルとデータセットで1.9x-3xのスピードアップ比を示す広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-27T15:53:49Z)
• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• 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)
• Hawkes-based cryptocurrency forecasting via Limit Order Book data [1.6236898718152877]
  本稿では,ホークスモデルに根ざしたリミットオーダーブック(LOB)データを用いた新しい予測アルゴリズムを提案する。 我々の手法は、将来の金融相互作用の予測を活用することで、返却サインの正確な予測を提供する。 提案手法の有効性は,50シナリオにわたるモンテカルロシミュレーションを用いて検証した。
  論文  参考訳（メタデータ） (2023-12-21T16:31:07Z)
• 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)
• Dynamic Bayesian Networks for Predicting Cryptocurrency Price Directions: Uncovering Causal Relationships [1.4356611205757077]
  この研究で、Bitcoin、Coin、Litecoin、Ripple、Tetherの6つの人気暗号通貨が研究されている。 ソーシャルメディアデータ,従来の金融市場要因,技術的指標など,さまざまな特徴の因果関係を明らかにするために,動的ベイズネットワーク(DBN)に基づくアプローチを提案する。 その結果、DBNの性能は、暗号通貨によって異なるが、他の暗号通貨よりも高い予測精度を示す暗号通貨もあるが、DBNはベースラインモデルよりも著しく優れていた。
  論文  参考訳（メタデータ） (2023-06-13T22:07:51Z)
• Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach [0.0]
  私たちは、TwitterとRedditの感情の予測力と、Google Trendsのインデックスとボリュームを活用して、10の暗号通貨のログリターンを予測する。 具体的には、$Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, $Feathercoin$を考える。
  論文  参考訳（メタデータ） (2022-09-22T14:26:32Z)
• A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Prediction [100.9772316028191]
  本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。 以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-01T05:12:22Z)
• 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)
• 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。