Fugu-MT 論文翻訳(概要): Enhancing Price Prediction in Cryptocurrency Using Transformer Neural Network and Technical Indicators

論文の概要: Enhancing Price Prediction in Cryptocurrency Using Transformer Neural Network and Technical Indicators

arxiv url: http://arxiv.org/abs/2403.03606v1
Date: Wed, 6 Mar 2024 10:53:12 GMT
ステータス: 処理完了
システム内更新日: 2024-03-07 15:26:45.392354
Title: Enhancing Price Prediction in Cryptocurrency Using Transformer Neural Network and Technical Indicators
Title（参考訳）: トランスフォーマーニューラルネットワークと技術指標を用いた暗号通貨の価格予測の強化
Authors: Mohammad Ali Labbaf Khaniki, Mohammad Manthouri
Abstract要約: 方法論は、技術指標、Performerニューラルネットワーク、BiLSTMの使用を統合する。提案手法は、主要な暗号通貨の時間と日時に適用される。
参考スコア（独自算出の注目度）: 0.5439020425819
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study presents an innovative approach for predicting cryptocurrency time series, specifically focusing on Bitcoin, Ethereum, and Litecoin. The methodology integrates the use of technical indicators, a Performer neural network, and BiLSTM (Bidirectional Long Short-Term Memory) to capture temporal dynamics and extract significant features from raw cryptocurrency data. The application of technical indicators, such facilitates the extraction of intricate patterns, momentum, volatility, and trends. The Performer neural network, employing Fast Attention Via positive Orthogonal Random features (FAVOR+), has demonstrated superior computational efficiency and scalability compared to the traditional Multi-head attention mechanism in Transformer models. Additionally, the integration of BiLSTM in the feedforward network enhances the model's capacity to capture temporal dynamics in the data, processing it in both forward and backward directions. This is particularly advantageous for time series data where past and future data points can influence the current state. The proposed method has been applied to the hourly and daily timeframes of the major cryptocurrencies and its performance has been benchmarked against other methods documented in the literature. The results underscore the potential of the proposed method to outperform existing models, marking a significant progression in the field of cryptocurrency price prediction.
Abstract（参考訳）: 本研究は,Bitcoin,Ethereum,Litecoinを中心に,暗号通貨の時系列を予測する革新的なアプローチを提案する。この手法は、技術的な指標、パフォーマーニューラルネットワーク、bilstm(bidirectional long short-term memory)を組み合わせることで、時間的ダイナミクスを捉え、生の暗号通貨データから重要な特徴を抽出する。技術的指標の適用により、複雑なパターン、運動量、ボラティリティ、トレンドの抽出が容易になる。 Performer Neural Networkは、高速注意(Fast Attention Via positive Orthogonal Random)機能(FAVOR+)を利用しており、Transformerモデルにおける従来のマルチヘッドアテンション機構よりも優れた計算効率とスケーラビリティを示している。さらに、フィードフォワードネットワークへのBiLSTMの統合により、データ内の時間的ダイナミクスを捕捉し、前方と後方の両方で処理するモデルの能力が向上する。これは、過去と将来のデータポイントが現在の状態に影響を与える時系列データに特に有利である。提案手法は主要な暗号通貨の時間・日時フレームに適用され,その性能は文献に記録されている他の手法と比較された。その結果、提案手法が既存モデルを上回る可能性を示し、暗号通貨価格予測の分野における大きな進歩を示している。

関連論文リスト

Probabilistic Sampling-Enhanced Temporal-Spatial GCN: A Scalable Framework for Transaction Anomaly Detection in Ethereum Networks [2.795656498870966]
本研究では、時間ランダムウォーク(TRW)とグラフ畳み込みネットワーク(GCN)の融合について述べる。我々のアプローチは、従来のGCNとは異なり、TRWの強みを利用してトランザクションの複雑な時間シーケンスを識別する。 TRW-GCNフレームワークが従来のGCNよりも性能指標を大幅に向上することを示す予備評価を行った。
論文参考訳（メタデータ） (2023-09-29T21:08:21Z)
Stock Price Prediction using Dynamic Neural Networks [0.0]
本稿では,日替わりの株価を予測するための時系列動的ニューラルネットワークの解析と実装について述べる。ニューラルネットワークは、カオス的、非線形、そして一見ランダムなデータの基本パターンを識別する非通過能力を持っている。
論文参考訳（メタデータ） (2023-06-18T20:06:44Z)
Stock Trend Prediction: A Semantic Segmentation Approach [3.718476964451589]
完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
論文参考訳（メタデータ） (2023-03-09T01:29:09Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文参考訳（メタデータ） (2022-07-23T18:54:10Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。本手法の有効性を,大規模書籍市場データを用いて検証した。
論文参考訳（メタデータ） (2022-01-14T14:02:19Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
Spatiotemporal convolutional network for time-series prediction and causal inference [21.895413699349966]
時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
論文参考訳（メタデータ） (2021-07-03T06:20:43Z)
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)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。