論文の概要: Forecasting of Bitcoin Prices Using Hashrate Features: Wavelet and Deep Stacking Approach

• arxiv url: http://arxiv.org/abs/2501.13136v1
• Date: Wed, 22 Jan 2025 09:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:48.423211
• Title: Forecasting of Bitcoin Prices Using Hashrate Features: Wavelet and Deep Stacking Approach
• Title（参考訳）: ハッシュ機能を使用したBitcoin価格予測:WaveletとDeep Stackingアプローチ
• Authors: Ramin Mousa, Meysam Afrookhteh, Hooman Khaloo, Amir Ali Bengari, Gholamreza Heidary,
• Abstract要約: 本研究では,スタック深層学習に基づく分類と回帰モデルを提案する。 提案モデルでは,ディープラーニング,特にニューラルネットワークとトランスフォーマーに基づくモデルを用いて,1日,7日,30日,19日の予測を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Digital currencies have become popular in the last decade due to their non-dependency and decentralized nature. The price of these currencies has seen a lot of fluctuations at times, which has increased the need for prediction. As their most popular, Bitcoin(BTC) has become a research hotspot. The main challenge and trend of digital currencies, especially BTC, is price fluctuations, which require studying the basic price prediction model. This research presents a classification and regression model based on stack deep learning that uses a wavelet to remove noise to predict movements and prices of BTC at different time intervals. The proposed model based on the stacking technique uses models based on deep learning, especially neural networks and transformers, for one, seven, thirty and ninety-day forecasting. Three feature selection models, Chi2, RFE and Embedded, were also applied to the data in the pre-processing stage. The classification model achieved 63\% accuracy for predicting the next day and 64\%, 67\% and 82\% for predicting the seventh, thirty and ninety days, respectively. For daily price forecasting, the percentage error was reduced to 0.58, while the error ranged from 2.72\% to 2.85\% for seven- to ninety-day horizons. These results show that the proposed model performed better than other models in the literature.
• Abstract（参考訳）: デジタル通貨は、その非依存性と分散化の性質により、過去10年間に人気を博している。 これらの通貨の価格は、時として大きな変動を経験しており、予測の必要性が増している。 最も人気のあるものとして、Bitcoin(BTC)は研究ホットスポットとなっている。 デジタル通貨の主な課題と傾向、特にBTCは価格変動であり、基本的な価格予測モデルを研究する必要がある。 本研究では,ウェーブレットを用いて音を除去し,異なる時間間隔でBTCの動きと価格を予測するスタック深層学習に基づく分類と回帰モデルを提案する。 提案手法に基づくモデルでは,ディープラーニング,特にニューラルネットワークとトランスフォーマーに基づくモデルを用いて,1日,7日,30日,90日の予測を行う。 Chi2, RFE, Embeddedの3つの特徴選択モデルも前処理段階のデータに適用された。 分類モデルでは, 翌日の予測に63 %, 翌日の予測に64 %, 67 %, 82 %を達成し, それぞれ7 日, 30 日, 90 日を予測した。 毎日の価格予測では、誤差は0.58に減少し、エラーは7日間の地平線では2.72\%から2.85\%に減少した。 これらの結果から,提案モデルは文献の他のモデルよりも優れた性能を示した。

関連論文リスト

• 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)
• DynaMo: Accelerating Language Model Inference with Dynamic Multi-Token Sampling [51.055580277828]
  ネット推論時間を短縮するマルチトークン予測言語モデルであるDynaMoを提案する。 我々のモデルは、予測された関節確率分布に対する信頼度に基づいて複数のトークンを予測する。 また、テキスト生成品質を向上させるために、推定結合確率を高める新しい方法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T22:17:57Z)
• Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
  スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。 しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。 対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
  論文  参考訳（メタデータ） (2024-03-13T13:54:00Z)
• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• 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)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Bitcoin Price Predictive Modeling Using Expert Correction [0.0]
  この論文は、Bitcoin通貨統計、マイニングプロセス、Google検索トレンド、ウィキペディアページ訪問に基づくレグレッション機能を含む、Bitcoin価格の線形モデルについて研究している。 ベイジアンアプローチは、太い尾を持つ分布を用いて確率的アプローチを活用でき、Bitcoin価格時系列の外れ値を考慮することができることが示されている。
  論文  参考訳（メタデータ） (2022-01-06T15:11:51Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• 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)
• Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測のための深層学習モデルについて述べる。 インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を利用する。 我々の提案には、畳み込みニューラルネットワーク上に構築された2つの回帰モデルと、3つの長期記憶ネットワークに基づく予測モデルが含まれる。
  論文  参考訳（メタデータ） (2020-10-22T03:09:07Z)
• 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。