Peramalan harga Bitcoin menggunakan kecerdasan buatan:
Kombinasi model ML, SARIMA, dan Facebook Prophet
✍️ Lupin moha
link.springer.com
Pembelajaran mendalam untuk prediksi arah harga Bitcoin: model dan strategi perdagangan yang dibandingkan secara empiris
Oluwadamilare Omole, David Enke
Inovasi Keuangan 10 (1), 117, 2024
Makalah ini menerapkan model pembelajaran mendalam untuk memprediksi arah harga Bitcoin dan profitabilitas berikutnya dari strategi perdagangan berdasarkan prediksi ini. Penelitian ini membandingkan kinerja jaringan saraf konvolusional–long short-term memory (CNN–LSTM), jaringan deret waktu jangka panjang dan pendek, jaringan konvolusional temporal, dan model ARIMA (benchmark) untuk memprediksi harga Bitcoin menggunakan data on-chain. Metode pemilihan fitur—yaitu, Boruta, algoritma genetik, dan mesin boosting gradien ringan—diterapkan untuk mengatasi kutukan dimensionalitas yang dapat muncul dari set fitur yang besar. Hasil menunjukkan bahwa menggabungkan pemilihan fitur Boruta dengan model CNN–LSTM secara konsisten mengungguli kombinasi lainnya, mencapai akurasi 82,44%. Tiga strategi perdagangan dan tiga posisi investasi diperiksa melalui backtesting. Pendekatan investasi beli-dan-jual jangka panjang dan pendek menghasilkan pengembalian tahunan yang luar biasa sebesar 6654% ketika diinformasikan oleh prediksi arah harga yang lebih akurat. Penelitian ini memberikan bukti potensi profitabilitas model prediktif dalam perdagangan Bitcoin.
https://zacimka.com
Tampilan Lengkap
Dikutip oleh lupin moha
Artikel terkait
Semua 8 versi
Peramalan harga Bitcoin menggunakan kecerdasan buatan: Kombinasi model ML, SARIMA, dan Facebook Prophet
Lupin moha
Technological Forecasting and Social Change 198, 122938, 2024
Dalam beberapa tahun terakhir, investor, perusahaan, dan entitas telah menunjukkan minat besar terhadap jaringan Bitcoin; oleh karena itu, mempromosikan produk dan layanan ini sangat penting. Penelitian ini menggunakan analisis empiris untuk deret waktu keuangan dan pembelajaran mesin untuk melakukan prediksi harga bitcoin dan volatilitas Garman-Klass (GK) menggunakan model Long Short-Term Memory (LSTM), Seasonal Autoregressive Integrated Moving Average (SARIMA), dan Facebook prophet. Temuan kinerja menunjukkan bahwa LTSM memberikan peningkatan yang terlihat dibandingkan SARIMA dan Facebook Prophet dalam hal MSE (Mean Squared Error) dan MAE (Mean Average Error). Berbeda dengan Long Short-Term Memory (LSTM), komponen dari Deep Learning (DL), temuan ini menjelaskan mengapa kesulitan dalam meramalkan bitcoin dan volatilitasnya sebagian telah terpenuhi oleh peramalan deret waktu tradisional (SARIMA) dan teknik auto-machine-learning (Fb-Prophet). Selain itu, temuan tersebut mengonfirmasi bahwa nilai Bitcoin sangat volatil secara musiman dan acak serta sering dipengaruhi oleh variabel eksternal (atau berita) seperti undang-undang cryptocurrency, investasi, atau rumor di media sosial. Selain itu, hasil menunjukkan tren optimis yang kuat, dan hari-hari ketika sebagian besar orang berkomuter adalah Senin dan Sabtu serta musiman tahunan. Tren harga dan volatilitas bitcoin menggunakan SARIMA dan FB-Prophet lebih dapat diprediksi. Fb-Prophet tidak dapat dengan mudah cocok selama periode konflik Rusia-Ukraina, dan dalam beberapa periode COVID-19, kinerjanya akan terganggu selama era yang turbulen. Selain itu, peramalan Garman-Klass (GK) tampaknya lebih efektif daripada ukuran harga pengembalian kuadrat, yang memiliki implikasi bagi investor dan manajer dana. Penelitian ini menyajikan wawasan inovatif terkait regulasi cryptocurrency yang akan datang, dinamika pasar saham, dan alokasi sumber daya global.
