Fugu-MT 論文翻訳(概要): A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices

論文の概要: A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices

arxiv url: http://arxiv.org/abs/2504.17079v2
Date: Tue, 29 Apr 2025 23:51:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.169479
Title: A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices
Title（参考訳）: Atention-based Transformer + GRUモデルを用いた暗号価格予測のための新しいハイブリッド手法
Authors: Esam Mahdi, C. Martin-Barreiro, X. Cabezas,
Abstract要約: 本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this article, we introduce a novel deep learning hybrid model that integrates attention Transformer and Gated Recurrent Unit (GRU) architectures to improve the accuracy of cryptocurrency price predictions. By combining the Transformer's strength in capturing long-range patterns with the GRU's ability to model short-term and sequential trends, the hybrid model provides a well-rounded approach to time series forecasting. We apply the model to predict the daily closing prices of Bitcoin and Ethereum based on historical data that include past prices, trading volumes, and the Fear and Greed index. We evaluate the performance of our proposed model by comparing it with four other machine learning models: two are non-sequential feedforward models: Radial Basis Function Network (RBFN) and General Regression Neural Network (GRNN), and two are bidirectional sequential memory-based models: Bidirectional Long-Short-Term Memory (BiLSTM) and Bidirectional Gated Recurrent Unit (BiGRU). The performance of the model is assessed using several metrics, including Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE), along with statistical validation through the nonparametric Friedman test followed by a post hoc Wilcoxon signed rank test. The results demonstrate that our hybrid model consistently achieves superior accuracy, highlighting its effectiveness for financial prediction tasks. These findings provide valuable insights for improving real-time decision making in cryptocurrency markets and support the growing use of hybrid deep learning models in financial analytics.
Abstract（参考訳）: 本稿では,暗号通貨価格予測の精度を向上させるために,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。我々は、過去の価格、トレーディングボリューム、およびFear and Greedインデックスを含む過去のデータに基づいて、BitcoinとEthereumの日々の閉鎖価格を予測するモデルを適用します。提案モデルの性能を,非逐次フィードフォワードモデル:放射基底関数ネットワーク(RBFN)と一般回帰ニューラルネットワーク(GRNN)の2つ,双方向連続メモリベースモデル:BiLSTM(Bidirectional Long-Short-Term Memory)とBidirectional Gated Recurrent Unit(Bidirectional Gated Recurrent Unit)の4つと比較して評価した。モデルの性能はMean Squared Error (MSE)、Root Mean Squared Error (RMSE)、Mean Absolute Error (MAE)、Mean Absolute Percentage Error (MAPE)などいくつかの指標を用いて評価される。その結果、我々のハイブリッドモデルは、財務予測タスクの有効性を浮き彫りにして、常に優れた精度を達成できることが示される。これらの知見は、暗号通貨市場におけるリアルタイム意思決定の改善と、金融分析におけるハイブリッドディープラーニングモデルの利用拡大を支援するための貴重な洞察を提供する。

関連論文リスト

GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文参考訳（メタデータ） (2024-09-30T23:53:54Z)
Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文参考訳（メタデータ） (2024-07-16T06:38:49Z)
Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文参考訳（メタデータ） (2024-06-02T06:39:01Z)
A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文参考訳（メタデータ） (2024-02-08T16:45:01Z)
Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction [7.231134145443057]
本稿では,CNN-LSTMとXGBoostのハイブリッドモデルを提案する。このモデルは、複数の期間で株式市場の歴史的情報を完全にマイニングすることができる。その結果,ハイブリッドモデルの方が有効であり,予測精度が比較的高いことがわかった。
論文参考訳（メタデータ） (2022-04-06T07:06:30Z)
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)
Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs [0.0]
本稿では,GARCHプロセスとニューラルネットワークを混合したハイブリッドモデルによるアセットリターンの共分散行列の予測能力について検討する。提案された新しいモデルは、均等に重み付けされたポートフォリオを上回るだけでなく、エコノメトリとかなり差があるため、非常に有望である。
論文参考訳（メタデータ） (2021-08-25T23:41:43Z)
Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文参考訳（メタデータ） (2021-01-06T17:36:26Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。