論文の概要: Comparison of different Artificial Neural Networks for Bitcoin price forecasting

• arxiv url: http://arxiv.org/abs/2407.17930v1
• Date: Thu, 25 Jul 2024 10:39:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 14:28:24.738723
• Title: Comparison of different Artificial Neural Networks for Bitcoin price forecasting
• Title（参考訳）: Bitcoin価格予測のための異なるニューラルネットワークの比較
• Authors: Silas Baumann, Karl A. Busch, Hamza A. A. Gardi,
• Abstract要約: 本研究では,ニューラルネットワーク(ANN)を用いた暗号通貨のリターン予測精度に及ぼすシーケンス長の影響について検討する。 我々は,この閾値よりも小さいリターンを排除し,マイナーリターンに伴うエラーを軽減し,予測精度を向上させることを目指している。 その後の評価は、この閾値を超える予測されたリターンの精度に焦点を当てる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates the impact of varying sequence lengths on the accuracy of predicting cryptocurrency returns using Artificial Neural Networks (ANNs). Utilizing the Mean Absolute Error (MAE) as a threshold criterion, we aim to enhance prediction accuracy by excluding returns that are smaller than this threshold, thus mitigating errors associated with minor returns. The subsequent evaluation focuses on the accuracy of predicted returns that exceed this threshold. We compare four sequence lengths 168 hours (7 days), 72 hours (3 days), 24 hours, and 12 hours each with a return prediction interval of 2 hours. Our findings reveal the influence of sequence length on prediction accuracy and underscore the potential for optimized sequence configurations in financial forecasting models.
• Abstract（参考訳）: 本研究では,ANN(Artificial Neural Networks)を用いて,様々なシーケンス長が暗号通貨のリターンを予測する精度に与える影響について検討した。 平均絶対誤差(MAE)をしきい値基準として、このしきい値より小さいリターンを排除して予測精度を高めることを目的としており、これにより、マイナーリターンに伴うエラーの軽減を図る。 その後の評価は、この閾値を超える予測されたリターンの精度に焦点を当てる。 168時間(7日)、72時間(3日)、24時間(24時間)、12時間(12時間)の4つのシーケンス長を2時間間隔で比較した。 本研究は,シーケンス長が予測精度に与える影響を明らかにし,財務予測モデルにおける最適化シーケンス構成の可能性を明らかにする。

関連論文リスト

• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Comparison of Uncertainty Quantification with Deep Learning in Time Series Regression [7.6146285961466]
  本稿では,気象時系列データと異なる不確実性推定手法を比較した。 その結果,各不確実性推定手法が予測タスクに与える影響が示された。
  論文  参考訳（メタデータ） (2022-11-11T14:29:13Z)
• Forecasting of Non-Stationary Sales Time Series Using Deep Learning [0.0]
  本稿では,ニューラルネットワークモデルにおける時間トレンド補正を用いた非定常時系列予測のためのディープラーニング手法について述べる。 その結果, 予測精度は, トレンド補正ブロックを用いて, 時間的傾向のある非定常販売において本質的に向上できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-23T21:06:27Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Accurate Prediction and Uncertainty Estimation using Decoupled Prediction Interval Networks [0.0]
  精度を犠牲にすることなく、回帰に基づく予測の不確かさを確実に推定できるネットワークアーキテクチャを提案する。 予測と予測間隔(PI)推定の学習を2段階の学習プロセスに分解することで、これを実現する。 提案手法を,合成データセットおよびUCIベンチマーク上での最先端不確実性定量化アルゴリズムと比較し,予測誤差を23～34%削減した。
  論文  参考訳（メタデータ） (2022-02-19T19:31:36Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
  本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。 我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
  論文  参考訳（メタデータ） (2021-07-26T14:55:02Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Stock price forecast with deep learning [0.0]
  我々は,S&P500指数の翌日の値を予測するために,完全連結型,畳み込み型,反復型アーキテクチャの性能解析を行った。 実験により、RMSprop を用いた単層リカレントニューラルネットワークは、それぞれ 0.0150 と 0.0148 の絶対誤差の検証とテストで最適な結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2021-03-21T12:52:37Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)

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。