Tecnologia blockchain e regolamentazione della privacy: rivedere gli attriti e sintetizzare le opportunità

Con la crescita dell'applicazione della tecnologia Blockchain (BCT) in diversi settori, la sua natura intrinsecamente decentralizzata e immutabile solleva alcune questioni contrastanti relative alla regolamentazione della privacy. L'applicazione delle normative sulla privacy come il Regolamento generale sulla protezione dei dati (GDPR) esemplifica queste sfide, poiché alcuni rigorosi requisiti sulla privacy all'interno del GDPR potrebbero entrare in conflitto con le caratteristiche della BCT. Tuttavia, viene data poca attenzione a tali questioni critiche. Questo studio attinge alla lente teorica Tecnologia-Organizzazione-Ambiente (TOE) come meccanismo per dispiegare la questione. La ricerca attuale si concentra sull'esplorazione delle tensioni e delle opportunità di sinergia attraverso la lente del TOE per prevenire il fallimento della conformità normativa sulla privacy. Abbiamo analizzato 71 studi di ricerca multidisciplinari che evidenziano le aree di attrito e presentano una struttura unificante per la sintesi della ricerca. In risposta alle aree di attrito identificate e alle potenziali opportunità di coesistenza, formuliamo nove proposte di ricerca incentrate su sei importanti e controversi requisiti sulla privacy e la protezione dei dati all'interno del GDPR. Questa ricerca contribuisce al più ampio dibattito sulle soluzioni basate su blockchain conformi alle normative sulla privacy, fornendo una base teorica per future indagini in quest'area critica. Lo studio suggerisce che la conciliazione dei requisiti di BCT e di regolamentazione sulla privacy sbloccherà il pieno potenziale di BCT, creando un'infrastruttura tecnologica sicura e attenta alla privacy e offrendo implicazioni e approfondimenti pratici per i decisori politici.

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.

#$

sciencedirect.com
Previsione del prezzo di Bitcoin utilizzando l'apprendimento automatico: Un approccio all'ingegneria della dimensione del campione
Zheshi Chen, Chunhong Li, Wenjun Sun
Journal of Computational and Applied Mathematics 365, 112395, 2020
Dopo il boom e il crollo dei prezzi delle criptovalute negli ultimi anni, Bitcoin è stato sempre più considerato come un asset di investimento. A causa della sua natura altamente volatile, c'è bisogno di buone previsioni su cui basare le decisioni di investimento. Sebbene studi esistenti abbiano sfruttato l'apprendimento automatico per una previsione più accurata del prezzo di Bitcoin, pochi si sono concentrati sulla fattibilità di applicare diverse tecniche di modellazione a campioni con diverse strutture di dati e caratteristiche dimensionali. Per prevedere il prezzo di Bitcoin a diverse frequenze utilizzando tecniche di apprendimento automatico, prima classifichiamo il prezzo di Bitcoin in base al prezzo giornaliero e al prezzo ad alta frequenza. Un insieme di caratteristiche ad alta dimensione, tra cui proprietà e rete, trading e mercato, attenzione e prezzo dell'oro spot, sono utilizzati per la previsione del prezzo giornaliero di Bitcoin, mentre le caratteristiche di trading di base acquisite da un exchange di criptovalute sono utilizzate per la previsione del prezzo a intervalli di 5 minuti. Metodi statistici, tra cui la regressione logistica e l'analisi discriminante lineare per la previsione del prezzo giornaliero di Bitcoin con caratteristiche ad alta dimensione, raggiungono un'accuratezza del 66%, superando algoritmi di apprendimento automatico più complicati. Rispetto ai risultati di riferimento per la previsione del prezzo giornaliero, otteniamo una prestazione migliore, con le massime accuratezze dei metodi statistici e degli algoritmi di apprendimento automatico del 66% e 65,3%, rispettivamente. I modelli di apprendimento automatico, tra cui Random Forest, XGBoost, Analisi Discriminante Quadratica, Support Vector Machine e Long Short-term Memory per la previsione del prezzo a intervalli di 5 minuti di Bitcoin, sono superiori ai metodi statistici, con un'accuratezza che raggiunge il 67,2%. La nostra indagine sulla previsione del prezzo di Bitcoin può essere considerata uno studio pilota dell'importanza della dimensione del campione nelle tecniche di apprendimento automatico.