論文の概要: Multi-Source Hard and Soft Information Fusion Approach for Accurate Cryptocurrency Price Movement Prediction
- arxiv url: http://arxiv.org/abs/2409.18895v1
- Date: Fri, 27 Sep 2024 16:32:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 08:01:28.111646
- Title: Multi-Source Hard and Soft Information Fusion Approach for Accurate Cryptocurrency Price Movement Prediction
- Title（参考訳）: 高精度な暗号価格変動予測のためのマルチソースハード・ソフト情報融合手法
- Authors: Saeed Mohammadi Dashtaki, Mehdi Hosseini Chagahi, Behzad Moshiri, Md. Jalil Piran,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.885853464728419
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: One of the most important challenges in the financial and cryptocurrency field is accurately predicting cryptocurrency price trends. Leveraging artificial intelligence (AI) is beneficial in addressing this challenge. Cryptocurrency markets, marked by substantial growth and volatility, attract investors and scholars keen on deciphering and forecasting cryptocurrency price movements. The vast and diverse array of data available for such predictions increases the complexity of the task. In our study, we introduce a novel approach termed hard and soft information fusion (HSIF) to enhance the accuracy of cryptocurrency price movement forecasts. The hard information component of our approach encompasses historical price records alongside technical indicators. Complementing this, the soft data component extracts from X (formerly Twitter), encompassing news headlines and tweets about the cryptocurrency. To use this data, we use the Bidirectional Encoder Representations from Transformers (BERT)-based sentiment analysis method, financial BERT (FinBERT), which performs best. Finally, our model feeds on the information set including processed hard and soft data. We employ the bidirectional long short-term memory (BiLSTM) model because processing information in both forward and backward directions can capture long-term dependencies in sequential information. Our empirical findings emphasize the superiority of the HSIF approach over models dependent on single-source data by testing on Bitcoin-related data. By fusing hard and soft information on Bitcoin dataset, our model has about 96.8\% accuracy in predicting price movement. Incorporating information enables our model to grasp the influence of social sentiment on price fluctuations, thereby supplementing the technical analysis-based predictions derived from hard information.
- Abstract（参考訳）: 金融および暗号通貨分野で最も重要な課題の1つは、暗号通貨の価格トレンドを正確に予測することである。
人工知能(AI)を活用することは、この課題に対処する上で有益である。
実質的な成長とボラティリティを特徴とする暗号通貨市場は、仮想通貨価格の動きの解読と予測に力を入れている投資家や学者を惹きつけている。
このような予測のために利用可能な膨大な多様なデータの配列は、タスクの複雑さを増大させる。
本研究では,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。
このアプローチのハード情報コンポーネントは、技術的指標とともに歴史的価格記録を含んでいる。
補足すると、ソフトデータコンポーネントはX(元Twitter)から抽出され、ニュースの見出しと暗号通貨に関するツイートを含んでいる。
このデータを利用するには、双方向エンコーダ表現を変換器(BERT)ベースの感情分析手法であるファイナンシャルBERT(FinBERT)を用いる。
最後に,本モデルでは,処理されたハードおよびソフトデータを含む情報集合をフィードする。
双方向長短期メモリ(BiLSTM)モデルを用いるのは,前向きと後向きの両方の処理情報が逐次情報の長期依存性をキャプチャできるためである。
我々の経験的発見は、bitcoin関連のデータをテストすることによって、単一ソースデータに依存するモデルよりもHSIFアプローチの方が優れていることを強調している。
Bitcoinのデータセットにハードとソフトの情報を融合することで、われわれのモデルは価格変動を予測するのに約96.8倍の精度を持つ。
情報を組み込むことで,社会的感情が価格変動に与える影響を把握し,ハード情報から得られた技術的分析に基づく予測を補うことができる。
関連論文リスト
- Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。
歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。
その結果、購入/販売信号の精度は92%を超えた。
論文 参考訳（メタデータ） (2024-10-09T14:29:50Z) - 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) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳（メタデータ） (2024-03-19T09:45:33Z) - Interplay between Cryptocurrency Transactions and Online Financial
Forums [41.94295877935867]
本研究は、これらの暗号掲示板間の相互作用と暗号値の変動に関する研究に焦点をあてる。
これは、Bitcointalkフォーラムの活動がBTCの値のトレンドと直接的な関係を保っていることを示している。
この実験は、フォーラムデータが金融分野における特定の出来事を説明することを強調している。
論文 参考訳（メタデータ） (2023-11-27T16:25:28Z) - Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data [3.6390165502400875]
本稿では,機械学習(ML)と自然言語処理(NLP)技術を活用した暗号通貨価格予測の新しい手法を提案する。
ニュースやソーシャルメディアのコンテンツを分析することで、仮想通貨市場に対する大衆の感情の影響を評価する。
論文 参考訳（メタデータ） (2023-11-23T16:14:44Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - Forecasting Bitcoin volatility spikes from whale transactions and
CryptoQuant data using Synthesizer Transformer models [5.88864611435337]
ボラティリティ予測のためのディープラーニング合成器変換器モデルを提案する。
以上の結果から,既存の最先端モデルよりも優れたモデルであることが示唆された。
提案手法はビットコイン市場における極端なボラティリティ(変動性)の動きを予測するための有用なツールであることを示す。
論文 参考訳（メタデータ） (2022-10-06T05:44:29Z) - Sequence-Based Target Coin Prediction for Cryptocurrency Pump-and-Dump [39.06710188537909]
本報告では, スケジュールされたポンプ時間前に, 対象交換所に記載された全ての硬貨のポンプ確率を予測することに焦点を当てる。
我々は,2019年1月から2022年1月まで,Telegramで開催されている最新の709件のP&Dイベントを包括的に調査する。
我々は、チャネルのP&Dイベント履歴をシーケンス表現にエンコードする、SNNと呼ばれる新しいシーケンスベースニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2022-04-21T16:34:53Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
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。