論文の概要: Bitcoin Price Forecasting Based on Hybrid Variational Mode Decomposition and Long Short Term Memory Network

• arxiv url: http://arxiv.org/abs/2510.15900v1
• Date: Thu, 11 Sep 2025 03:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.088969
• Title: Bitcoin Price Forecasting Based on Hybrid Variational Mode Decomposition and Long Short Term Memory Network
• Title（参考訳）: ハイブリッド変動モード分割と長期記憶ネットワークに基づくBitcoin価格予測
• Authors: Emmanuel Boadi,
• Abstract要約: 本研究は,Bitcoinの価格予測のためのハイブリッドディープラーニングモデルを提案する。 使用されるモデルは変分モード分解(VMD)とLong Short-Term Memory(LSTM)ネットワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes a hybrid deep learning model for forecasting the price of Bitcoin, as the digital currency is known to exhibit frequent fluctuations. The models used are the Variational Mode Decomposition (VMD) and the Long Short-Term Memory (LSTM) network. First, VMD is used to decompose the original Bitcoin price series into Intrinsic Mode Functions (IMFs). Each IMF is then modeled using an LSTM network to capture temporal patterns more effectively. The individual forecasts from the IMFs are aggregated to produce the final prediction of the original Bitcoin Price Series. To determine the prediction power of the proposed hybrid model, a comparative analysis was conducted against the standard LSTM. The results confirmed that the hybrid VMD+LSTM model outperforms the standard LSTM across all the evaluation metrics, including RMSE, MAE and R2 and also provides a reliable 30-day forecast.
• Abstract（参考訳）: 本研究は、デジタル通貨が頻繁な変動を示すことが知られているため、Bitcoinの価格を予測するためのハイブリッドディープラーニングモデルを提案する。 使用されるモデルは変分モード分解(VMD)とLong Short-Term Memory(LSTM)ネットワークである。 第一に、VMDはオリジナルのBitcoin価格シリーズを固有のモード関数(IMF)に分解するために使用される。 それぞれのIMFはLSTMネットワークを用いてモデル化され、時間的パターンをより効果的に捉える。 IMFの個々の予測は、オリジナルのBitcoin価格シリーズの最終的な予測を生成するために集約される。 提案したハイブリッドモデルの予測能力を決定するため,標準LSTMとの比較分析を行った。 その結果、ハイブリッドVMD+LSTMモデルは、RMSE、MAE、R2を含むすべての評価指標で標準LSTMよりも優れており、信頼性の高い30日間の予測を提供することを確認した。

関連論文リスト

• crypto price prediction using lstm+xgboost [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-27T09:49:25Z)
• Multi-Modal View Enhanced Large Vision Models for Long-Term Time Series Forecasting [53.332533610841885]
  時系列は画像やテキストに変換でき、同じ信号のマルチモーダルビュー(MMV)を提供する。 これらのMMVは相補的なパターンを明らかにし、長期時系列予測(LTSF)のための大型ビジョンモデル(LVM)のような強力な事前訓練された大規模モデルの使用を可能にする。 DMMVは、トレンド・シーズンの分解と新しいバックキャスト・レジデンシャル・アダプティブ・コンダプティブ・コンダプションを活用し、LTSFのためのMMVを統合する新しい分解ベースマルチモーダル・ビュー・フレームワークである。
  論文  参考訳（メタデータ） (2025-05-29T20:55:24Z)
• 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)
• Masked Diffusion Models are Secretly Time-Agnostic Masked Models and Exploit Inaccurate Categorical Sampling [47.82616476928464]
  仮面拡散モデル (MDM) は離散データの生成モデルとして人気がある。 我々はMDMのトレーニングとサンプリングの両方が理論的に時間変数から解放されていることを示す。 一般に使用されている32ビット浮動小数点精度においても,まず基礎となる数値問題を同定した。
  論文  参考訳（メタデータ） (2024-09-04T17:48:19Z)
• 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)
• MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price [0.11470070927586015]
  MRC-LSTMと呼ばれる新しいアプローチを提案し、マルチスケールのレジデンシャル畳み込みニューラルネットワーク(MRC)とLong Short-Term Memory(LSTM)を組み合わせ、Bitcoinクロージング価格予測を実装します。 我々はビットコインの日替わり価格(USD)を予測する実験を行い、実験結果から、MRC-LSTMは他の様々なネットワーク構造よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-03T09:32:23Z)
• 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)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。