論文の概要: Cryptocurrency Price Prediction Using Parallel Gated Recurrent Units

• arxiv url: http://arxiv.org/abs/2512.22599v1
• Date: Sat, 27 Dec 2025 14:04:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.128039
• Title: Cryptocurrency Price Prediction Using Parallel Gated Recurrent Units
• Title（参考訳）: 並列ゲートリカレントユニットを用いた暗号価格予測
• Authors: Milad Asadpour, Alireza Rezaee, Farshid Hajati,
• Abstract要約: 本稿では,暗号通貨価格予測のための新しいディープモデルであるemphParallel Gated Recurrent Units(PGRU)を提案する。 提案モデルでは,平均絶対パーセンテージ誤差(MAPE)が3.243%,ウィンドウ長が2.641%,ウィンドウ長が20,15。
• 参考スコア（独自算出の注目度）: 1.3884247760916029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: According to the advent of cryptocurrencies and Bitcoin, many investments and businesses are now conducted online through cryptocurrencies. Among them, Bitcoin uses blockchain technology to make transactions secure, transparent, traceable, and immutable. It also exhibits significant price fluctuations and performance, which has attracted substantial attention, especially in financial sectors. Consequently, a wide range of investors and individuals have turned to investing in the cryptocurrency market. One of the most important challenges in economics is price forecasting for future trades. Cryptocurrencies are no exception, and investors are looking for methods to predict prices; various theories and methods have been proposed in this field. This paper presents a new deep model, called \emph{Parallel Gated Recurrent Units} (PGRU), for cryptocurrency price prediction. In this model, recurrent neural networks forecast prices in a parallel and independent way. The parallel networks utilize different inputs, each representing distinct price-related features. Finally, the outputs of the parallel networks are combined by a neural network to forecast the future price of cryptocurrencies. The experimental results indicate that the proposed model achieves mean absolute percentage errors (MAPE) of 3.243% and 2.641% for window lengths 20 and 15, respectively. Our method therefore attains higher accuracy and efficiency with fewer input data and lower computational cost compared to existing methods.
• Abstract（参考訳）: 暗号通貨とBitcoinの出現によると、多くの投資とビジネスが現在、仮想通貨を通じてオンラインで行われている。 その中でもBitcoinは、ブロックチェーン技術を使ってトランザクションをセキュアで透明で、トレース可能で、不変にする。 また、物価変動やパフォーマンスも顕著で、特に金融業界では大きな注目を集めている。 その結果、幅広い投資家や個人が暗号通貨市場に投資するようになった。 経済学における最も重要な課題の1つは、将来の貿易の価格予測である。 仮想通貨は例外ではなく、投資家は価格を予測する方法を模索しており、この分野では様々な理論や手法が提案されている。 本稿では,暗号通貨価格予測のための新しいディープモデルである \emph{Parallel Gated Recurrent Units} (PGRU) を提案する。 このモデルでは、リカレントニューラルネットワークは並列かつ独立した方法で価格を予測する。 並列ネットワークは異なる入力を利用し、それぞれが異なる価格関連の特徴を示す。 最後に、並列ネットワークの出力はニューラルネットワークによって結合され、将来の暗号通貨価格を予測する。 実験の結果,ウィンドウ長20および15では平均絶対パーセンテージ誤差(MAPE)が3.243%,平均パーセンテージ誤差が2.641%であった。 そこで本手法は,入力データが少なく,計算コストも従来の手法に比べて低く,精度と効率が向上する。

関連論文リスト

• A Midsummer Meme's Dream: Investigating Market Manipulations in the Meme Coin Ecosystem [57.92093214580746]
  我々は,ミーム硬貨のトケノミクスを特徴付け,その成長を3ヶ月の縦断解析で追跡する。 市場関心の誤解を招きかねない外観を生み出すために設計された人工的な成長戦略の広範な活用の証拠を見いだす。 関連するトークンの多くは以前、洗面用トレーディング(LPI)を経験しており、初期操作が後の搾取の舞台となることがしばしばあったことを示している。
  論文  参考訳（メタデータ） (2025-04-16T13:54:42Z)
• Prediction Of Cryptocurrency Prices Using LSTM, SVM And Polynomial Regression [0.0]
  これらの暗号通貨の価値の不確実性は、硬貨投資の分野において重要な問題である。 予測にLong Short Term Memory、Support Vector Machine、Polynomial Regressionアルゴリズムのモデルを利用することにより、性能比較を行う。 Support Vector Machineは線形カーネルを使用して、Long Short Term MemoryとPolynomial Regressionアルゴリズムモデルと比較して最小の平均2乗誤差を生成する。
  論文  参考訳（メタデータ） (2024-03-06T02:37:26Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• Dynamic Bayesian Networks for Predicting Cryptocurrency Price Directions: Uncovering Causal Relationships [1.4356611205757077]
  この研究で、Bitcoin、Coin、Litecoin、Ripple、Tetherの6つの人気暗号通貨が研究されている。 ソーシャルメディアデータ,従来の金融市場要因,技術的指標など,さまざまな特徴の因果関係を明らかにするために,動的ベイズネットワーク(DBN)に基づくアプローチを提案する。 その結果、DBNの性能は、暗号通貨によって異なるが、他の暗号通貨よりも高い予測精度を示す暗号通貨もあるが、DBNはベースラインモデルよりも著しく優れていた。
  論文  参考訳（メタデータ） (2023-06-13T22:07:51Z)
• Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency Market Manipulations [50.521292491613224]
  インターネット上のコミュニティによって組織されたポンプとダンプの詳細な分析を行う。 これらのコミュニティがどのように組織化され、どのように詐欺を行うかを観察します。 本研究では,不正行為をリアルタイムに検出する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-04T21:36:18Z)
• Ascertaining price formation in cryptocurrency markets with DeepLearning [8.413339060443878]
  本論文は,近年の株式市場予測にディープラーニングを用いた成功に触発されたものである。 暗号通貨市場の特徴を高周波で分析・提示する。 私たちは、Bitcoinと米ドルのライブ為替レートの中間価格運動の予測について、一貫した78%の精度を達成しました。
  論文  参考訳（メタデータ） (2020-02-09T20:23:08Z)

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。