Teknologi Blockchain dan regulasi privasi: Meninjau friksi dan mensintesis peluang

Seiring berkembangnya penerapan Teknologi Blockchain (BCT) di sejumlah industri, sifatnya yang terdesentralisasi dan tidak dapat diubah menimbulkan sejumlah masalah yang saling bertentangan terkait regulasi privasi. Penegakan regulasi privasi seperti General Data Protection Regulation (GDPR) merupakan contoh tantangan ini, karena sejumlah persyaratan privasi ketat dalam GDPR dapat bertentangan dengan fitur-fitur BCT. Akan tetapi, sedikit perhatian diberikan pada isu-isu kritis tersebut. Studi ini menggunakan sudut pandang teoritis Teknologi-Organisasi-Lingkungan (TOE) sebagai mekanisme untuk mengungkap isu tersebut. Riset terkini berfokus pada eksplorasi ketegangan dan peluang sinergi melalui sudut pandang TOE untuk mencegah kegagalan kepatuhan regulasi privasi. Kami menganalisis 71 studi riset multidisiplin yang menyoroti area-area gesekan dan menyajikan struktur pemersatu untuk sintesis riset. Sebagai respons terhadap area-area gesekan yang teridentifikasi dan peluang potensial untuk koeksistensi, kami merumuskan sembilan usulan riset yang berpusat pada enam persyaratan privasi dan perlindungan data yang menonjol dan kontroversial dalam GDPR. Riset ini berkontribusi pada wacana yang lebih luas tentang solusi berbasis blockchain yang mematuhi regulasi privasi dengan menyediakan landasan teoritis untuk investigasi mendatang ke area kritis ini. Studi ini menunjukkan bahwa rekonsiliasi persyaratan BCT dan regulasi privasi akan membuka potensi penuh BCT, menciptakan infrastruktur teknologi yang aman dan memperhatikan privasi, serta menawarkan implikasi dan wawasan praktis bagi para pembuat kebijakan.

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.

#$

sciencedirect.com
Prediksi harga Bitcoin menggunakan pembelajaran mesin: Sebuah pendekatan untuk rekayasa dimensi sampel
Zheshi Chen, Chunhong Li, Wenjun Sun
Jurnal Matematika Komputasi dan Terapan 365, 112395, 2020
Setelah lonjakan dan penurunan harga cryptocurrency dalam beberapa tahun terakhir, Bitcoin semakin dianggap sebagai aset investasi. Karena sifatnya yang sangat bergejolak, ada kebutuhan untuk prediksi yang baik untuk didasarkan pada keputusan investasi. Meskipun studi yang ada telah memanfaatkan pembelajaran mesin untuk prediksi harga Bitcoin yang lebih akurat, sedikit yang berfokus pada kelayakan penerapan teknik pemodelan yang berbeda pada sampel dengan struktur data dan fitur dimensi yang berbeda. Untuk memprediksi harga Bitcoin pada frekuensi yang berbeda menggunakan teknik pembelajaran mesin, kami pertama-tama mengklasifikasikan harga Bitcoin berdasarkan harga harian dan harga frekuensi tinggi. Sekumpulan fitur berdimensi tinggi termasuk properti dan jaringan, perdagangan dan pasar, perhatian dan harga emas spot digunakan untuk prediksi harga harian Bitcoin, sementara fitur perdagangan dasar yang diperoleh dari bursa cryptocurrency digunakan untuk prediksi harga interval 5 menit. Metode statistik termasuk Regresi Logistik dan Analisis Diskriminan Linier untuk prediksi harga harian Bitcoin dengan fitur berdimensi tinggi mencapai akurasi 66%, melampaui algoritma pembelajaran mesin yang lebih rumit. Dibandingkan dengan hasil tolok ukur untuk prediksi harga harian, kami mencapai kinerja yang lebih baik, dengan akurasi tertinggi dari metode statistik dan algoritma pembelajaran mesin masing-masing 66% dan 65,3%. Model pembelajaran mesin termasuk Random Forest, XGBoost, Analisis Diskriminan Kuadratik, Support Vector Machine, dan Memori Jangka Panjang Pendek untuk prediksi harga interval 5 menit Bitcoin lebih unggul dibandingkan metode statistik, dengan akurasi mencapai 67,2%. Penyelidikan kami tentang prediksi harga Bitcoin dapat dianggap sebagai studi percontohan tentang pentingnya dimensi sampel dalam teknik pembelajaran mesin.