論文の概要: Comparative Study of Bitcoin Price Prediction
- arxiv url: http://arxiv.org/abs/2405.08089v1
- Date: Mon, 13 May 2024 18:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 15:56:55.073426
- Title: Comparative Study of Bitcoin Price Prediction
- Title（参考訳）: Bitcoin価格予測の比較研究
- Authors: Ali Mohammadjafari,
- Abstract要約: 一般化を高めるために5倍のクロスバリデーションを使用し、L2正規化を利用して過度な適合とノイズを低減する。
我々の研究は、GRUsモデルがBitcoinの価格を予測するLSTMモデルよりも精度が高いことを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Prediction of stock prices has been a crucial and challenging task, especially in the case of highly volatile digital currencies such as Bitcoin. This research examineS the potential of using neural network models, namely LSTMs and GRUs, to forecast Bitcoin's price movements. We employ five-fold cross-validation to enhance generalization and utilize L2 regularization to reduce overfitting and noise. Our study demonstrates that the GRUs models offer better accuracy than LSTMs model for predicting Bitcoin's price. Specifically, the GRU model has an MSE of 4.67, while the LSTM model has an MSE of 6.25 when compared to the actual prices in the test set data. This finding indicates that GRU models are better equipped to process sequential data with long-term dependencies, a characteristic of financial time series data such as Bitcoin prices. In summary, our results provide valuable insights into the potential of neural network models for accurate Bitcoin price prediction and emphasize the importance of employing appropriate regularization techniques to enhance model performance.
- Abstract（参考訳）: 特にビットコインのような非常に不安定なデジタル通貨の場合、株価の予測は極めて重要かつ困難な課題となっている。
本研究は、Bitcoinの価格変動を予測するために、LSTMやGRUといったニューラルネットワークモデルを使用することの可能性を検討する。
一般化を高めるために5倍のクロスバリデーションを使用し、L2正規化を利用して過度な適合とノイズを低減する。
我々の研究は、GRUsモデルがBitcoinの価格を予測するLSTMモデルよりも精度が高いことを示した。
具体的には、GRUモデルは4.67MSE、LSTMモデルはテストセットの実際の価格と比較すると6.25MSEである。
この結果は、GRUモデルは、Bitcoin価格などの金融時系列データの特徴である長期依存を伴うシーケンシャルデータを処理するのに適していることを示している。
要約して、我々は、正確なBitcoin価格予測のためのニューラルネットワークモデルの可能性についての貴重な洞察を提供し、モデル性能を高めるために適切な正規化技術を採用することの重要性を強調した。
関連論文リスト
- Indian Stock Market Prediction using Augmented Financial Intelligence ML [0.0]
本稿では,Superforecasters予測を付加した機械学習アルゴリズムを用いた価格予測モデルを提案する。
これらのモデルは平均絶対誤差を用いて予測精度を決定する。
主な目標は、予測不可能な変化や株価の変化を予想するスーパープレキャストの特定と予測の追跡である。
論文 参考訳（メタデータ） (2024-07-02T12:58:50Z) - Review of deep learning models for crypto price prediction: implementation and evaluation [5.240745112593501]
本稿では、暗号通貨価格予測のためのディープラーニングに関する文献をレビューし、暗号通貨価格予測のための新しいディープラーニングモデルを評価する。
我々のディープラーニングモデルには、長い短期記憶(LSTM)リカレントニューラルネットワークの変種、畳み込みニューラルネットワーク(CNN)の変種、トランスフォーマーモデルが含まれています。
また、新型コロナウイルスのパンデミックを通じて価格の大幅な変動を示す4つの暗号通貨のボラティリティ分析を実施している。
論文 参考訳（メタデータ） (2024-05-19T03:15:27Z) - ResNLS: An Improved Model for Stock Price Forecasting [1.2039469573641217]
隣接する株価間の依存関係を強調することで、株価予測を改善するハイブリッドモデルを導入する。
SSE複合指数の予測において, 前回の5日連続取引日の閉値データを入力として用いた場合, モデルの性能(ResNLS-5)が最適であることを明らかにする。
また、現在の最先端のベースラインよりも少なくとも20%改善されている。
論文 参考訳（メタデータ） (2023-12-02T03:55:37Z) - Towards Robust k-Nearest-Neighbor Machine Translation [72.9252395037097]
近年,k-Nearest-Neighbor Machine Translation (kNN-MT)がNMTの重要な研究方向となっている。
その主なアイデアは、NMTモデルを更新することなく翻訳を変更するために、追加のデータストアから有用なキーと値のペアを取得することである。
取り出したノイズペアはモデル性能を劇的に低下させる。
ノイズの影響を軽減するために,頑健なトレーニングを施した信頼性向上kNN-MTモデルを提案する。
論文 参考訳（メタデータ） (2022-10-17T07:43:39Z) - 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) - 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) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z) - Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep
Learning Models [0.0]
本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。
我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
論文 参考訳（メタデータ） (2020-11-07T16:07:10Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z) - Forecasting Bitcoin closing price series using linear regression and
neural networks models [4.17510581764131]
データ価格と前日のボリュームを用いて、Bitcoinの日次閉鎖価格の予測方法について検討する。
統計的手法と機械学習アルゴリズムの両方を実装した。
論文 参考訳（メタデータ） (2020-01-04T21:04:05Z)
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。