論文の概要: Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers

• arxiv url: http://arxiv.org/abs/2512.22326v1
• Date: Fri, 26 Dec 2025 15:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.997921
• Title: Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers
• Title（参考訳）: Bitcoin予測のエキスパートシステム:TimeXer変換器によるグローバルな流動性の統合
• Authors: Sravan Karthick T,
• Abstract要約: 本稿では,Global M2 Liquidityを12週間のラグ構造を持つ先行変数として統合することにより,重要なギャップを解消する。 TimeXerアーキテクチャを用いて、流動性条件付き予測モデル(TimeXer-Exog)と最先端ベンチマークを比較した。 2020年1月から2025年8月までの1日当たりのBitcoin価格データに関する実験では、明示的なマクロ経済条件が長期の予測を大幅に安定させることを示した。
• 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: Bitcoin price forecasting is characterized by extreme volatility and non-stationarity, often defying traditional univariate time-series models over long horizons. This paper addresses a critical gap by integrating Global M2 Liquidity, aggregated from 18 major economies, as a leading exogenous variable with a 12-week lag structure. Using the TimeXer architecture, we compare a liquidity-conditioned forecasting model (TimeXer-Exog) against state-of-the-art benchmarks including LSTM, N-BEATS, PatchTST, and a standard univariate TimeXer. Experiments conducted on daily Bitcoin price data from January 2020 to August 2025 demonstrate that explicit macroeconomic conditioning significantly stabilizes long-horizon forecasts. At a 70-day forecast horizon, the proposed TimeXer-Exog model achieves a mean squared error (MSE) 1.08e8, outperforming the univariate TimeXer baseline by over 89 percent. These results highlight that conditioning deep learning models on global liquidity provides substantial improvements in long-horizon Bitcoin price forecasting.
• Abstract（参考訳）: Bitcoinの価格予測は、極度のボラティリティと非定常性によって特徴付けられ、多くの場合、長い地平線上での伝統的な単変量時系列モデルを否定する。 本稿は,グローバルM2流動性(Global M2 Liquidity)を18大経済から集約し,12週間のラグ構造を持つ主要な外因性変数として統合することにより,重要なギャップを解消する。 TimeXerアーキテクチャを用いて、LSTM、N-BEATS、PatchTST、および標準単変量TimeXerなどの最先端ベンチマークと、流動性条件付き予測モデル(TimeXer-Exog)を比較した。 2020年1月から2025年8月までの1日当たりのBitcoin価格データに関する実験では、明示的なマクロ経済条件が長期の予測を大幅に安定させることを示した。 70日間の予測地平線において、提案したTimeXer-Exogモデルは平均二乗誤差(MSE)1.08e8を達成する。 これらの結果は、グローバルな流動性に対するディープラーニングモデルの条件付けが、長期のBitcoin価格予測を大幅に改善することを示している。

関連論文リスト

• A Quantum Reservoir Computing Approach to Quantum Stock Price Forecasting in Quantum-Invested Markets [70.52784924397838]
  本稿では、少なくとも6つの相互作用量子ビットからなる小規模量子システムに基づく量子貯水池計算フレームワークを提案する。 我々は、2020年4月11日から2025年4月11日までの期間に、20の量子セクター上場企業の日次取引量を予測するために、このモデルを適用した。 本分析では, ストックトレンド(アップ/ダウン)分類精度が86%以上となる最適貯水池パラメータを同定した。
  論文  参考訳（メタデータ） (2026-02-13T17:00:03Z)
• 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)
• 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)
• 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)
• Volatility Forecasting in Global Financial Markets Using TimeMixer [0.21756081703276003]
  私は、世界の金融資産のボラティリティを予測するために、最先端の時系列予測モデルであるTimeMixerを適用します。 TimeMixerは、異なるスケールにわたるデータを分析することで、短期パターンと長期パターンの両方を効果的にキャプチャする。 私の経験から、TimeMixerは短期的なボラティリティ予測では極めてよく機能するが、長期的な予測では精度が低下することがわかった。
  論文  参考訳（メタデータ） (2024-09-27T17:35:28Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。