Technologie blockchain et régulation de la vie privée : analyse des frictions et synthèse des opportunités

Alors que l'application de la technologie Blockchain (BCT) se développe dans plusieurs secteurs, sa nature décentralisée et immuable inhérente soulève des questions contradictoires concernant la réglementation de la confidentialité. L'application de réglementations sur la confidentialité comme le Règlement général sur la protection des données (RGPD) illustre ces défis, car certaines exigences strictes en matière de confidentialité au sein du RGPD peuvent entrer en conflit avec les caractéristiques de la BCT. Cependant, peu d'attention est accordée à ces questions critiques. Cette étude s'appuie sur la perspective théorique Technologie-Organisation-Environnement (TOE) comme mécanisme pour développer le problème. La recherche actuelle se concentre sur l'exploration des tensions et des opportunités de synergie à travers le prisme du TOE pour éviter l'échec de la conformité réglementaire en matière de confidentialité. Nous avons analysé 71 études de recherche multidisciplinaires qui mettent en évidence les domaines de friction et présentent une structure unificatrice pour la synthèse de la recherche. En réponse aux domaines de friction identifiés et aux opportunités potentielles de coexistence, nous formulons neuf propositions de recherche centrées sur six exigences importantes et controversées en matière de confidentialité et de protection des données au sein du RGPD. Cette recherche contribue au discours plus large sur les solutions basées sur la blockchain conformes à la réglementation en matière de confidentialité en fournissant une base théorique pour les futures recherches dans ce domaine critique. L'étude suggère que la conciliation des exigences de la BCT et de la réglementation sur la confidentialité permettra de libérer tout le potentiel de la BCT, en créant une infrastructure technologique sécurisée et respectueuse de la confidentialité et en offrant des implications et des perspectives pratiques aux décideurs politiques.

Prévision des prix du Bitcoin en utilisant l'intelligence artificielle :
Combinaison de modèles ML, SARIMA et Facebook Prophet

✍️ Lupin moha

link.springer.com
Apprentissage profond pour la prédiction de la direction des prix du Bitcoin : modèles et stratégies de trading comparés empiriquement
Oluwadamilare Omole, David Enke
Innovation Financière 10 (1), 117, 2024
Cet article applique des modèles d'apprentissage profond pour prédire les directions des prix du Bitcoin et la rentabilité subséquente des stratégies de trading basées sur ces prévisions. L'étude compare la performance du réseau de neurones convolutionnel – mémoire à long terme et à court terme (CNN–LSTM), du réseau de séries temporelles à long et à court terme, du réseau convolutif temporel et des modèles ARIMA (référence) pour prédire les prix du Bitcoin en utilisant des données on-chain. Des méthodes de sélection de caractéristiques — c'est-à-dire, Boruta, algorithme génétique et machine à gradient léger — sont appliquées pour traiter le fléau de la dimensionalité qui pourrait résulter d'un grand ensemble de caractéristiques. Les résultats indiquent que la combinaison de la sélection de caractéristiques Boruta avec le modèle CNN–LSTM surpasse systématiquement d'autres combinaisons, atteignant une précision de 82,44 %. Trois stratégies de trading et trois positions d'investissement sont examinées à travers des tests rétrospectifs. L'approche d'investissement d'achat et de vente à long et court terme a généré un rendement annuel extraordinaire de 6654 % lorsqu'elle était informée par des prévisions de direction des prix de haute précision. Cette étude fournit des preuves de la rentabilité potentielle des modèles prédictifs dans le trading de Bitcoin.

#$

sciencedirect.com
Prédiction du prix du Bitcoin utilisant l'apprentissage automatique : Une approche de l'ingénierie de la dimension de l'échantillon
Zheshi Chen, Chunhong Li, Wenjun Sun
Journal de Mathématiques Computationnelles et Appliquées 365, 112395, 2020
Après le boom et la chute des prix des cryptomonnaies ces dernières années, le Bitcoin est de plus en plus considéré comme un actif d'investissement. En raison de sa nature hautement volatile, il est nécessaire d'avoir de bonnes prédictions sur lesquelles baser les décisions d'investissement. Bien que les études existantes aient tiré parti de l'apprentissage automatique pour des prévisions de prix du Bitcoin plus précises, peu se sont concentrées sur la faisabilité d'appliquer différentes techniques de modélisation à des échantillons avec différentes structures de données et caractéristiques dimensionnelles. Pour prédire le prix du Bitcoin à différentes fréquences en utilisant des techniques d'apprentissage automatique, nous classifions d'abord le prix du Bitcoin par prix quotidien et prix haute fréquence. Un ensemble de caractéristiques à haute dimension incluant la propriété et le réseau, le trading et le marché, l'attention et le prix du spot de l'or sont utilisés pour la prédiction du prix quotidien du Bitcoin, tandis que les caractéristiques de trading de base acquises d'une plateforme d'échange de cryptomonnaies sont utilisées pour la prédiction du prix à intervalles de 5 minutes. Des méthodes statistiques incluant la régression logistique et l'analyse discriminante linéaire pour la prédiction du prix quotidien du Bitcoin avec des caractéristiques à haute dimension atteignent une précision de 66 %, surpassant des algorithmes d'apprentissage automatique plus compliqués. Comparé aux résultats de référence pour la prédiction des prix quotidiens, nous atteignons de meilleures performances, avec les précisions les plus élevées des méthodes statistiques et des algorithmes d'apprentissage automatique de 66 % et 65,3 %, respectivement. Les modèles d'apprentissage automatique incluant Random Forest, XGBoost, Analyse Discriminante Quadratique, Machine à Vecteurs de Support et Mémoire à Long et Court Terme pour la prédiction des prix du Bitcoin à intervalles de 5 minutes sont supérieurs aux méthodes statistiques, avec une précision atteignant 67,2 %. Notre enquête sur la prédiction des prix du Bitcoin peut être considérée comme une étude pilote de l'importance de la dimension de l'échantillon dans les techniques d'apprentissage automatique.