論文の概要: Carbon price fluctuation prediction using blockchain information A new hybrid machine learning approach

• arxiv url: http://arxiv.org/abs/2411.02709v1
• Date: Tue, 05 Nov 2024 01:12:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 15:01:26.012001
• Title: Carbon price fluctuation prediction using blockchain information A new hybrid machine learning approach
• Title（参考訳）: ブロックチェーン情報を用いた炭素価格変動予測 : 新しいハイブリッド機械学習アプローチ
• Authors: H. Wang, Y. Pang, D. Shang,
• Abstract要約: 本研究では,DILated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ニューラルネットワークアルゴリズムを統合する。 正規化としての標準罰として、L2正則化としてのリッジ回帰(RR)は、価格予測におけるL1正則化としてSCAD(Smoothly Clipped Absolute Deviation Penalty)よりも優れている。
• 参考スコア（独自算出の注目度）: 2.0387986050706326
• License:
• Abstract: In this study, the novel hybrid machine learning approach is proposed in carbon price fluctuation prediction. Specifically, a research framework integrating DILATED Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) neural network algorithm is proposed. The advantage of the combined framework is that it can make feature extraction more efficient. Then, based on the DILATED CNN-LSTM framework, the L1 and L2 parameter norm penalty as regularization method is adopted to predict. Referring to the characteristics of high correlation between energy indicator price and blockchain information in previous literature, and we primarily includes indicators related to blockchain information through regularization process. Based on the above methods, this paper uses a dataset containing an amount of data to carry out the carbon price prediction. The experimental results show that the DILATED CNN-LSTM framework is superior to the traditional CNN-LSTM architecture. Blockchain information can effectively predict the price. Since parameter norm penalty as regularization, Ridge Regression (RR) as L2 regularization is better than Smoothly Clipped Absolute Deviation Penalty (SCAD) as L1 regularization in price forecasting. Thus, the proposed RR-DILATED CNN-LSTM approach can effectively and accurately predict the fluctuation trend of the carbon price. Therefore, the new forecasting methods and theoretical ecology proposed in this study provide a new basis for trend prediction and evaluating digital assets policy represented by the carbon price for both the academia and practitioners.
• Abstract（参考訳）: 本研究では,炭素価格変動予測におけるハイブリッド機械学習手法を提案する。 具体的には、DILated Convolutional Neural Networks(CNN)とLong Short-Term Memory(LSTM)ニューラルネットワークアルゴリズムを統合する研究フレームワークを提案する。 組み合わせたフレームワークの利点は、機能抽出をより効率的にできることです。 そして、DILated CNN-LSTMフレームワークに基づいて、正規化法としてL1およびL2パラメータノルムペナルティを適用して予測する。 従来の文献では,エネルギー指標価格とブロックチェーン情報の高い相関性の特徴に言及しており,正則化プロセスを通じてブロックチェーン情報に関連する指標を主に含んでいる。 本稿では, 炭素価格予測を行うために, 大量のデータを含むデータセットを用いる。 実験の結果,DILated CNN-LSTMフレームワークは従来のCNN-LSTMアーキテクチャよりも優れていることがわかった。 ブロックチェーン情報は、価格を効果的に予測できる。 パラメータノルムを正則化として、L2正則化としてのリッジ回帰(RR)は、価格予測におけるL1正則化としてSCAD(Smoothly Clipped Absolute Deviation Penalty)よりも優れている。 そこで提案したRR-Dilated CNN-LSTMアプローチは,炭素価格の変動傾向を効果的かつ正確に予測することができる。 そこで,本研究で提案する新たな予測手法と理論的生態学は,アカデミックと実践者双方の炭素価格に代表されるデジタル資産政策のトレンド予測と評価の新たな基盤を提供する。

関連論文リスト

• 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)
• Blockchain Transaction Fee Forecasting: A Comparison of Machine Learning Methods [0.0]
  本稿は,EthUSD BitUSDとガス価格の関連性について,2019年以前の作業状況について報告する。 予測には, 直接再帰型ハイブリッドLSTM, CNNLSTM, Attention LSTMなど, 機械学習手法の新たな組み合わせを比較する。
  論文  参考訳（メタデータ） (2023-05-14T08:51:44Z)
• 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)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
  現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。 本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。 我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
  論文  参考訳（メタデータ） (2022-01-11T20:53:15Z)
• Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model [0.0]
  本稿では、電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 ケーススタディでは、提案したILRCNモデルが電気価格予測において正確かつ効率的であることが判明した。
  論文  参考訳（メタデータ） (2021-12-23T06:45:12Z)
• Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error (ERMSE): Deep Learning for Stock Price Movement Prediction [15.165487282631535]
  本稿では,予測精度を向上し,ジェネレーティブ・アドバイサル・ネットワークを用いて誤差損失の予測を最小化することを目的とする。 The Generative Adversarial Network (GAN) has well performed on the enhanced root mean square error to LSTM。
  論文  参考訳（メタデータ） (2021-11-30T18:38:59Z)
• 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)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)
• A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News [7.578363431637128]
  本稿では、感情分析を用いて、複数のテキストデータソースから有用な情報を抽出し、将来のストックムーブメントを予測することを提案する。 ブレンディングアンサンブルモデルには、2つのレベルがある。第1レベルには、2つのリカレントニューラルネットワーク(RNN)、1つのLong-Short Term Memory Network(LSTM)、1つのGated Recurrent Units Network(GRU)が含まれる。 完全に接続されたニューラルネットワークは、予測精度をさらに向上するために、複数の個々の予測結果をアンサンブルするために使用される。
  論文  参考訳（メタデータ） (2020-07-23T15:25:37Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)

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。