Fugu-MT 論文翻訳(概要): A Machine Learning Approach For Bitcoin Forecasting

論文の概要: A Machine Learning Approach For Bitcoin Forecasting

arxiv url: http://arxiv.org/abs/2504.18206v1
Date: Fri, 25 Apr 2025 09:35:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.723929
Title: A Machine Learning Approach For Bitcoin Forecasting
Title（参考訳）: Bitcoin予測のための機械学習アプローチ
Authors: Stefano Sossi-Rojas, Gissel Velarde, Damian Zieba,
Abstract要約: 我々は、どの時系列と機械学習アルゴリズムが最良の結果をもたらすかを研究する。価格に関係のない他のBitcoin関連の機能との関連性は無視できない。
参考スコア（独自算出の注目度）: 0.1424853531377145
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bitcoin is one of the cryptocurrencies that is gaining more popularity in recent years. Previous studies have shown that closing price alone is not enough to forecast stock market series. We introduce a new set of time series and demonstrate that a subset is necessary to improve directional accuracy based on a machine learning ensemble. In our experiments, we study which time series and machine learning algorithms deliver the best results. We found that the most relevant time series that contribute to improving directional accuracy are Open, High and Low, with the largest contribution of Low in combination with an ensemble of Gated Recurrent Unit network and a baseline forecast. The relevance of other Bitcoin-related features that are not price-related is negligible. The proposed method delivers similar performance to the state-of-the-art when observing directional accuracy.
Abstract（参考訳）: Bitcoinは、近年ますます人気が高まっている暗号通貨の1つだ。これまでの研究では、終値だけでは株式市場の予測には不十分であることが示されている。そこで我々は,機械学習のアンサンブルに基づく方向精度向上のために,新しい時系列セットを導入し,サブセットが必要であることを示す。実験では,どの時系列と機械学習アルゴリズムが最適な結果をもたらすかを検討した。方向性の精度向上に寄与する最も関連性の高い時系列は、Gated Recurrent Unit ネットワークとベースライン予測のアンサンブルと合わせて、Low の最大の寄与である Open, High, Low である。価格に関係のない他のBitcoin関連の機能との関連性は無視できない。提案手法は,方向の精度を観測する際の最先端技術に類似した性能を提供する。

関連論文リスト

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)
Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文参考訳（メタデータ） (2023-10-31T03:16:32Z)
A Data-driven Deep Learning Approach for Bitcoin Price Forecasting [10.120972108960425]
本稿では,bitcoinの閉口価格を日単位の時間枠で予測するために,浅い双方向LSTM(Bidirectional-LSTM)モデルを提案する。本稿では,他の予測手法と比較し,提案手法の助けを借りて,浅層ニューラルネットワークが他の一般的な価格予測モデルより優れていることを示す。
論文参考訳（メタデータ） (2023-10-27T10:35:47Z)
Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文参考訳（メタデータ） (2023-03-21T15:02:50Z)
Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
論文参考訳（メタデータ） (2021-08-19T17:59:28Z)
Double Coverage with Machine-Learned Advice [100.23487145400833]
オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
論文参考訳（メタデータ） (2021-03-02T11:04:33Z)
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)
A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction [8.575998118995216]
既存のbitcoinの予測は、主に簡単な機能エンジニアリングに当てはまる。異なる範囲のパターンを明らかにするために,kオーダーのトランザクショングラフを提案する。特徴を受け入れて価格予測を行う新しい予測手法を提案し, 異なる歴史時代の特定のパターンを生かした価格予測手法を提案する。
論文参考訳（メタデータ） (2020-08-21T20:08:17Z)
Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
論文参考訳（メタデータ） (2020-08-12T10:44:49Z)
Real-Time Prediction of BITCOIN Price using Machine Learning Techniques and Public Sentiment Analysis [0.0]
本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。 TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
論文参考訳（メタデータ） (2020-06-18T15:40:11Z)
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。