論文の概要: Ethereum Price Prediction Employing Large Language Models for Short-term and Few-shot Forecasting

• arxiv url: http://arxiv.org/abs/2503.23190v1
• Date: Sat, 29 Mar 2025 19:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:59.615839
• Title: Ethereum Price Prediction Employing Large Language Models for Short-term and Few-shot Forecasting
• Title（参考訳）: 大規模言語モデルを用いたEthereumの価格予測
• Authors: Eftychia Makri, Georgios Palaiokrassas, Sarah Bouraga, Antigoni Polychroniadou, Leandros Tassiulas,
• Abstract要約: 本稿では,Large Language Models (LLMs) の短期的・少数的な予測シナリオの価格予測における有効性について述べる。 既存の学習済みLCMを数十億のトークンからの自然言語や画像に適応させ、価格時系列データのユニークな特性を活用することによって、この問題に対処する。 このアプローチは、Mean Squared Error(MSE)、Mean Absolute Error(MAE)、Root Mean Squared Error(RMSE)など、複数のメトリクスにわたるベンチマークを一貫して上回る。
• 参考スコア（独自算出の注目度）: 13.40649684167945
• License:
• Abstract: Cryptocurrencies have transformed financial markets with their innovative blockchain technology and volatile price movements, presenting both challenges and opportunities for predictive analytics. Ethereum, being one of the leading cryptocurrencies, has experienced significant market fluctuations, making its price prediction an attractive yet complex problem. This paper presents a comprehensive study on the effectiveness of Large Language Models (LLMs) in predicting Ethereum prices for short-term and few-shot forecasting scenarios. The main challenge in training models for time series analysis is the lack of data. We address this by leveraging a novel approach that adapts existing pre-trained LLMs on natural language or images from billions of tokens to the unique characteristics of Ethereum price time series data. Through thorough experimentation and comparison with traditional and contemporary models, our results demonstrate that selectively freezing certain layers of pre-trained LLMs achieves state-of-the-art performance in this domain. This approach consistently surpasses benchmarks across multiple metrics, including Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE), demonstrating its effectiveness and robustness. Our research not only contributes to the existing body of knowledge on LLMs but also provides practical insights in the cryptocurrency prediction domain. The adaptability of pre-trained LLMs to handle the nature of Ethereum prices suggests a promising direction for future research, potentially including the integration of sentiment analysis to further refine forecasting accuracy.
• Abstract（参考訳）: 暗号通貨は、革新的なブロックチェーン技術と不安定な価格変動によって金融市場を変革し、予測分析の課題と機会を提示している。 Ethereumは主要な暗号通貨の1つで、市場の大きな変動を経験しており、価格予測は魅力的だが複雑な問題となっている。 本稿では,Large Language Models (LLMs) の有効性を概説する。 時系列分析のためのトレーニングモデルの最大の課題は、データの欠如である。 既存の学習済みLCMを数十億のトークンからの自然言語や画像に適応させ、Ethereumの価格時系列データのユニークな特性を活用することによって、この問題に対処する。 従来モデルと現代モデルとの徹底的な実験および比較により,本領域において,事前学習したLLMの特定の層を選択的に凍結することにより,最先端の性能が得られることを示す。 このアプローチは、Mean Squared Error(MSE)、Mean Absolute Error(MAE)、Root Mean Squared Error(RMSE)など、複数のメトリクスにわたるベンチマークを一貫して上回り、その有効性と堅牢性を示している。 我々の研究は、LLMに関する既存の知識体系に貢献するだけでなく、暗号通貨予測領域における実践的な洞察も提供します。 Ethereum価格の性質を扱うための事前訓練されたLCMの適応性は、将来の研究に有望な方向を示唆しており、予測精度をさらに高めるための感情分析の統合を含む可能性がある。

関連論文リスト

• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics [3.6423651166048874]
  本稿では,双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとFinBERTを併用して,暗号通貨の予測精度を向上させるハイブリッドモデルを提案する。 このアプローチは、先進的な時系列モデルと感情分析を組み合わせることで、不安定な金融市場の予測において重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-11-02T14:43:06Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)

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。