論文の概要: CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction

• arxiv url: http://arxiv.org/abs/2501.01010v1
• Date: Thu, 02 Jan 2025 02:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:21.668778
• Title: CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction
• Title（参考訳）: CryptoMamba: 正確なBitcoin価格予測にステートスペースモデルを活用する
• Authors: Mohammad Shahab Sepehri, Asal Mehradfar, Mahdi Soltanolkotabi, Salman Avestimehr,
• Abstract要約: 本稿では,マンバをベースとした新しいステートスペースモデル(SSM)アーキテクチャであるCryptoMambaを提案する。 我々の実験は、CryptoMambaがより正確な予測を提供するだけでなく、異なる市場条件における一般化性も向上していることを示している。 我々の調査結果は、株式や暗号通貨の価格予測タスクにおいて、SSMにとって大きな優位性を示している。
• 参考スコア（独自算出の注目度）: 28.15955243872829
• License:
• Abstract: Predicting Bitcoin price remains a challenging problem due to the high volatility and complex non-linear dynamics of cryptocurrency markets. Traditional time-series models, such as ARIMA and GARCH, and recurrent neural networks, like LSTMs, have been widely applied to this task but struggle to capture the regime shifts and long-range dependencies inherent in the data. In this work, we propose CryptoMamba, a novel Mamba-based State Space Model (SSM) architecture designed to effectively capture long-range dependencies in financial time-series data. Our experiments show that CryptoMamba not only provides more accurate predictions but also offers enhanced generalizability across different market conditions, surpassing the limitations of previous models. Coupled with trading algorithms for real-world scenarios, CryptoMamba demonstrates its practical utility by translating accurate forecasts into financial outcomes. Our findings signal a huge advantage for SSMs in stock and cryptocurrency price forecasting tasks.
• Abstract（参考訳）: Bitcoinの価格予測は、高ボラティリティと暗号通貨市場の複雑な非線形ダイナミクスのため、依然として難しい問題だ。 ARIMAやGARCHといった伝統的な時系列モデルやLSTMのようなリカレントニューラルネットワークがこのタスクに広く適用されているが、データ固有の状態シフトや長距離依存を捉えるのに苦労している。 本研究では,マンバをベースとした新しいステートスペースモデル(SSM)アーキテクチャであるCryptoMambaを提案する。 我々の実験は、CryptoMambaがより正確な予測を提供するだけでなく、以前のモデルの限界を超越して、異なる市場条件をまたいだ拡張一般化性も提供することを示した。 現実世界のシナリオのトレーディングアルゴリズムと組み合わせて、CryptoMambaは正確な予測を財務結果に変換することで、その実用性を実証している。 我々の調査結果は、株式や暗号通貨の価格予測タスクにおいて、SSMにとって大きな優位性を示している。

関連論文リスト

• Comparative Study of Bitcoin Price Prediction [0.0]
  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。
  論文  参考訳（メタデータ） (2024-05-13T18:10:34Z)
• Hawkes-based cryptocurrency forecasting via Limit Order Book data [1.6236898718152877]
  本稿では,ホークスモデルに根ざしたリミットオーダーブック(LOB)データを用いた新しい予測アルゴリズムを提案する。 我々の手法は、将来の金融相互作用の予測を活用することで、返却サインの正確な予測を提供する。 提案手法の有効性は,50シナリオにわたるモンテカルロシミュレーションを用いて検証した。
  論文  参考訳（メタデータ） (2023-12-21T16:31:07Z)
• 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)
• 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)
• 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)
• 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)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price [0.11470070927586015]
  MRC-LSTMと呼ばれる新しいアプローチを提案し、マルチスケールのレジデンシャル畳み込みニューラルネットワーク(MRC)とLong Short-Term Memory(LSTM)を組み合わせ、Bitcoinクロージング価格予測を実装します。 我々はビットコインの日替わり価格(USD)を予測する実験を行い、実験結果から、MRC-LSTMは他の様々なネットワーク構造よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-03T09:32:23Z)
• 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)
• 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)

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。