論文の概要: crypto price prediction using lstm+xgboost

• arxiv url: http://arxiv.org/abs/2506.22055v1
• Date: Fri, 27 Jun 2025 09:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.15625
• Title: crypto price prediction using lstm+xgboost
• Title（参考訳）: lstm+xgboostを用いた暗号価格予測
• Authors: Mehul Gautam,
• Abstract要約: 本研究では,Long Short-Term Memory(LSTM)ネットワークとExtreme Gradient Boosting(XGBoost)を統合したハイブリッドディープラーニングと機械学習モデルを提案する。 LSTMコンポーネントは過去の価格データの時間的依存性を捉え、XGBoostは感情スコアやマクロ経済指標などの補助的特徴との非線形関係をモデル化することによって予測を強化する。 このモデルは、Bitcoin、Dogecoin、Litecoinの歴史的データセットに基づいて評価され、グローバルおよびローカライズされた交換データの両方を取り入れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The volatility and complex dynamics of cryptocurrency markets present unique challenges for accurate price forecasting. This research proposes a hybrid deep learning and machine learning model that integrates Long Short-Term Memory (LSTM) networks and Extreme Gradient Boosting (XGBoost) for cryptocurrency price prediction. The LSTM component captures temporal dependencies in historical price data, while XGBoost enhances prediction by modeling nonlinear relationships with auxiliary features such as sentiment scores and macroeconomic indicators. The model is evaluated on historical datasets of Bitcoin, Ethereum, Dogecoin, and Litecoin, incorporating both global and localized exchange data. Comparative analysis using Mean Absolute Percentage Error (MAPE) and Min-Max Normalized Root Mean Square Error (MinMax RMSE) demonstrates that the LSTM+XGBoost hybrid consistently outperforms standalone models and traditional forecasting methods. This study underscores the potential of hybrid architectures in financial forecasting and provides insights into model adaptability across different cryptocurrencies and market contexts.
• Abstract（参考訳）: 暗号通貨市場のボラティリティと複雑なダイナミクスは、正確な価格予測に固有の課題をもたらす。 本研究では,Long Short-Term Memory(LSTM)ネットワークとExtreme Gradient Boosting(XGBoost)を統合したハイブリッドディープラーニングと機械学習モデルを提案する。 LSTMコンポーネントは過去の価格データの時間的依存性を捉え、XGBoostは感情スコアやマクロ経済指標などの補助的特徴との非線形関係をモデル化することによって予測を強化する。 このモデルは、Bitcoin、Ethereum、Dogecoin、Litecoinの歴史的なデータセットに基づいて評価され、グローバルおよびローカライズされた交換データの両方を取り入れている。 Mean Absolute Percentage Error (MAPE) とMin-Max Normalized Root Mean Square Error (MinMax RMSE) の比較分析により、LSTM+XGBoostハイブリッドはスタンドアローンモデルや従来の予測手法より一貫して優れていることが示された。 本研究は、金融予測におけるハイブリッドアーキテクチャの可能性を強調し、異なる暗号通貨および市場状況におけるモデル適応性に関する洞察を提供する。

関連論文リスト

• Cryptocurrency Price Forecasting Using Machine Learning: Building Intelligent Financial Prediction Models [1.252620193191587]
  本稿では,VVR(Volume-to-Volatility Ratio)とVWAP(Volume-Weighted Average Price)の2つの重要な流動性プロキシ指標を紹介する。 これらの指標は市場の安定性と流動性を明確に理解し、最終的に価格予測の精度を向上します。 当社の調査結果は、米国のデジタル資産市場で、トレーダーやデベロッパーがより賢くリスクに配慮した戦略を創り出そうとする上で貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-02T15:54:41Z)
• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• Ethereum Price Prediction Employing Large Language Models for Short-term and Few-shot Forecasting [13.40649684167945]
  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。
  論文  参考訳（メタデータ） (2025-03-29T19:04:28Z)
• CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction [28.15955243872829]
  本稿では,マンバをベースとした新しいステートスペースモデル(SSM)アーキテクチャであるCryptoMambaを提案する。 我々の実験は、CryptoMambaがより正確な予測を提供するだけでなく、異なる市場条件における一般化性も向上していることを示している。 我々の調査結果は、株式や暗号通貨の価格予測タスクにおいて、SSMにとって大きな優位性を示している。
  論文  参考訳（メタデータ） (2025-01-02T02:16:56Z)
• Tackling the Accuracy-Interpretability Trade-off in a Hierarchy of Machine Learning Models for the Prediction of Extreme Heatwaves [41.94295877935867]
  ますます複雑な機械学習モデルの階層構造を用いて、フランス上空の極端熱波の確率論的予測を行う。 CNNは高い精度を提供するが、ブラックボックスの性質は解釈可能性を大幅に制限する。 ScatNetは、透明性を高めながら、CNNと同じようなパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-10-01T18:15:04Z)
• 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)
• CARD: Classification and Regression Diffusion Models [51.0421331214229]
  本稿では,条件生成モデルと事前学習条件平均推定器を組み合わせた分類と回帰拡散(CARD)モデルを提案する。 おもちゃの例と実世界のデータセットを用いて条件分布予測におけるCARDの卓越した能力を示す。
  論文  参考訳（メタデータ） (2022-06-15T03:30:38Z)
• 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)
• Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach [29.11201102550876]
  半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。 本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。 提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
  論文  参考訳（メタデータ） (2021-05-18T07:01:37Z)
• A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting [26.834110647177965]
  バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。 量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。 Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
  論文  参考訳（メタデータ） (2020-01-23T05:13:36Z)

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。