論文の概要: Comprehensive Modeling Approaches for Forecasting Bitcoin Transaction Fees: A Comparative Study

• arxiv url: http://arxiv.org/abs/2502.01029v1
• Date: Mon, 03 Feb 2025 03:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:03:05.627800
• Title: Comprehensive Modeling Approaches for Forecasting Bitcoin Transaction Fees: A Comparative Study
• Title（参考訳）: Bitcoinトランザクションフィーを予測するための包括的モデリングアプローチ:比較研究
• Authors: Jiangqin Ma, Erfan Mahmoudinia,
• Abstract要約: 本研究は,Bitcoin取引手数料予測のための6つの予測モデルについて,体系的評価を行った。 当社のアプローチでは,メムプールメトリクス,ネットワークパラメータ,履歴料金パターンにまたがる包括的機能エンジニアリングを統合している。 従来の統計的アプローチは、より複雑なディープラーニングアーキテクチャよりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Transaction fee prediction in Bitcoin's ecosystem represents a crucial challenge affecting both user costs and miner revenue optimization. This study presents a systematic evaluation of six predictive models for forecasting Bitcoin transaction fees across a 24-hour horizon (144 blocks): SARIMAX, Prophet, Time2Vec, Time2Vec with Attention, a Hybrid model combining SARIMAX with Gradient Boosting, and the Temporal Fusion Transformer (TFT). Our approach integrates comprehensive feature engineering spanning mempool metrics, network parameters, and historical fee patterns to capture the multifaceted dynamics of fee behavior. Through rigorous 5-fold cross-validation and independent testing, our analysis reveals that traditional statistical approaches outperform more complex deep learning architectures. The SARIMAX model achieves superior accuracy on the independent test set, while Prophet demonstrates strong performance during cross-validation. Notably, sophisticated deep learning models like Time2Vec and TFT show comparatively lower predictive power despite their architectural complexity. This performance disparity likely stems from the relatively constrained training dataset of 91 days, suggesting that deep learning models may achieve enhanced results with extended historical data. These findings offer significant practical implications for cryptocurrency stakeholders, providing empirically-validated guidance for fee-sensitive decision making while illuminating critical considerations in model selection based on data constraints. The study establishes a foundation for advanced fee prediction while highlighting the current advantages of traditional statistical methods in this domain.
• Abstract（参考訳）: Bitcoinエコシステムにおけるトランザクション料金の予測は、ユーザコストとマイナ収益の最適化の両方に影響を与える重要な課題である。 本研究では,SARIMAX,Prophet,Time2Vec,Time2Vec with Attention,SARIMAXとGradient Boostingを組み合わせたハイブリッドモデル,TFT(Temporal Fusion Transformer)の6つの予測モデルについて,24時間水平線(144ブロック)でBitcoin取引手数料を予測するシステム評価を行った。 提案手法は,メムプールメトリクス,ネットワークパラメータ,履歴料金パターンを網羅した包括的機能工学を統合し,料金行動の多面的ダイナミクスを捉える。 厳密な5倍のクロスバリデーションと独立したテストにより、従来の統計的アプローチがより複雑なディープラーニングアーキテクチャより優れていることが判明した。 SARIMAXモデルは独立したテストセット上で優れた精度を達成し、Prophetはクロスバリデーション時に強い性能を示す。 特に、Time2VecやTFTのような高度なディープラーニングモデルは、アーキテクチャの複雑さにもかかわらず、予測能力が比較的低い。 この性能格差は91日間の比較的制約のあるトレーニングデータセットに起因している可能性が高い。 これらの知見は、データ制約に基づいたモデル選択において重要な考慮事項を照らしながら、手数料に敏感な意思決定を実証的に検証したガイダンスを提供することによって、暗号通貨の利害関係者に重大な実践的影響をもたらす。 この研究は、この領域における従来の統計手法の現在の利点を強調しつつ、高度な料金予測の基礎を確立している。

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)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Bi-LSTM Price Prediction based on Attention Mechanism [2.455751370157653]
  我々は,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。 予測結果から2年間で1089.34%のリターンを得た。 また,本論文で提案したBi-LSTMモデルと従来のモデルとの比較を行い,本モデルが本データセットで最高の性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-12-07T03:56:11Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• 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)
• Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
  本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。 数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2021-12-02T12:33:12Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data [20.392440676633573]
  本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。 このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。 現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
  論文  参考訳（メタデータ） (2020-10-11T10:42:02Z)

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。