Previsione dei prezzi del Bitcoin utilizzando l'intelligenza artificiale:
Combinazione di modelli ML, SARIMA e Facebook Prophet
✍️ Lupin moha
link.springer.com
Deep learning per la previsione della direzione del prezzo del Bitcoin: modelli e strategie di trading empiricamente confrontati
Oluwadamilare Omole, David Enke
Financial Innovation 10 (1), 117, 2024
Questo articolo applica modelli di deep learning per prevedere le direzioni del prezzo del Bitcoin e la successiva redditività delle strategie di trading basate su queste previsioni. Lo studio confronta le prestazioni della rete neurale convoluzionale–long short-term memory (CNN–LSTM), rete temporale a lungo e corto termine, rete convoluzionale temporale e modelli ARIMA (benchmark) per prevedere i prezzi del Bitcoin utilizzando dati on-chain. I metodi di selezione delle caratteristiche—cioè, Boruta, algoritmo genetico e light gradient boosting machine—sono applicati per affrontare la maledizione della dimensionalità che potrebbe derivare da un ampio set di caratteristiche. I risultati indicano che combinare la selezione delle caratteristiche di Boruta con il modello CNN–LSTM supera costantemente altre combinazioni, raggiungendo un'accuratezza dell'82,44%. Tre strategie di trading e tre posizioni di investimento vengono esaminate attraverso il backtesting. L'approccio di investimento long-and-short buy-and-sell ha generato un ritorno annuale straordinario del 6654% quando informato da previsioni di direzione dei prezzi di maggiore accuratezza. Questo studio fornisce prove della potenziale redditività dei modelli predittivi nel trading di Bitcoin.
https://zacimka.com
Visualizzazione completa
Citato da lupin moha
Articoli correlati
Tutte le 8 versioni
Previsione dei prezzi del Bitcoin utilizzando l'intelligenza artificiale: combinazione di modelli ML, SARIMA e Facebook Prophet
Lupin moha
Technological Forecasting and Social Change 198, 122938, 2024
Negli ultimi anni, investitori, aziende e imprese hanno mostrato un grande interesse per la rete Bitcoin; pertanto, promuovere i suoi prodotti e servizi è fondamentale. Questo studio utilizza un'analisi empirica per serie temporali finanziarie e machine learning per effettuare previsioni sul prezzo del bitcoin e sulla volatilità Garman-Klass (GK) utilizzando modelli Long Short-Term Memory (LSTM), Seasonal Autoregressive Integrated Moving Average (SARIMA) e Facebook Prophet. I risultati delle prestazioni mostrano che il potenziamento LTSM ha un miglioramento notevole rispetto a SARIMA e Facebook Prophet in termini di MSE (Mean Squared Error) e MAE (Mean Average Error). A differenza del Long Short-Term Memory (LSTM), un componente del Deep Learning (DL), il risultato spiega perché la difficoltà di previsione del bitcoin e della sua volatilità sia stata parzialmente soddisfatta dalle previsioni tradizionali delle serie temporali (SARIMA) e dalla tecnica di auto-machine-learning (Fb-Prophet). Inoltre, il risultato ha confermato che i valori di Bitcoin sono estremamente volatili e casuali a livello stagionale e sono frequentemente influenzati da variabili esterne (o notizie) come leggi sulle criptovalute, investimenti o voci sui social media. Inoltre, i risultati mostrano una tendenza ottimistica robusta, e i giorni in cui la maggior parte delle persone si sposta sono lunedì e sabato e una stagionalità annuale. La tendenza del prezzo e della volatilità del bitcoin usando SARIMA e FB-Prophet è più prevedibile. Il Fb-Prophet non riesce facilmente a adattarsi al periodo del conflitto russo-ucraino, e in alcuni periodi di COVID-19, le sue prestazioni subiranno durante l'era turbolenta. Inoltre, la previsione Garman-Klass (GK) sembra essere più efficace rispetto alla misura dei rendimenti quadrati, il che ha implicazioni per investitori e gestori di fondi. La ricerca presenta intuizioni innovative relative alle prossime regolamentazioni sulle criptovalute, dinamiche del mercato azionario e allocazione delle risorse globali.
