Tehnologia blockchain și reglementarea confidențialității: Revizuirea fricțiunilor și sinteza oportunităților

Pe măsură ce aplicația tehnologiei blockchain (BCT) crește în diverse industrii, natura sa descentralizată și imuabilă ridică unele probleme conflictuale legate de reglementarea confidențialității. Aplicarea reglementărilor privind confidențialitatea, cum ar fi Regulamentul General pentru Protecția Datelor (GDPR), exemplifică aceste provocări, deoarece anumite cerințe stricte de confidențialitate din cadrul GDPR pot intra în conflict cu caracteristicile BCT. Cu toate acestea, se acordă puțină atenție acestor probleme critice. Această cercetare se bazează pe perspectiva teoretică Tehnologie-Organizație-Mediu (TOE) ca mecanism pentru a desfășura problema. Cercetarea actuală se concentrează pe explorarea tensiunilor și oportunităților de sinergie prin prisma TOE pentru a preveni eșecul conformității cu reglementările privind confidențialitatea. Am analizat 71 de studii de cercetare multidisciplinare care evidențiază domeniile de fricțiune și prezintă o structură unificatoare pentru sinteza cercetării. Ca răspuns la domeniile de fricțiune identificate și la oportunitățile potențiale pentru coexistență, formulăm nouă propuneri de cercetare centrându-ne pe șase cerințe proeminente și controversate privind confidențialitatea și protecția datelor din cadrul GDPR. Această cercetare contribuie la discuția mai amplă despre soluțiile bazate pe blockchain conforme cu reglementările privind confidențialitatea, oferind o bază teoretică pentru investigații viitoare în acest domeniu critic. Studiul sugerează că reconcilierea cerințelor BCT și reglementărilor privind confidențialitatea va debloca întregul potențial al BCT, creând o infrastructură tehnologică sigură, conștientă de confidențialitate și oferind implicații practice și perspective pentru factorii de decizie.

Previzionarea prețurilor Bitcoin folosind inteligența artificială:
Combinația de modele ML, SARIMA și Facebook Prophet

✍️ Lupin moha

link.springer.com
Învățarea profundă pentru prezicerea direcției prețului Bitcoin: modele și strategii de tranzacționare comparate empiric
Oluwadamilare Omole, David Enke
Inovații financiare 10 (1), 117, 2024
Acest articol aplică modele de învățare profundă pentru a prezice direcțiile prețului Bitcoin și rentabilitatea ulterioară a strategiilor de tranzacționare bazate pe aceste predicții. Studiul compară performanța rețelei neuronale convoluționale – memorie pe termen lung și scurt (CNN–LSTM), rețeaua de serii temporale pe termen lung și scurt, rețeaua temporală convoluțională și modelele ARIMA (referință) pentru a prezice prețurile Bitcoin folosind date on-chain. Metodele de selecție a caracteristicilor – adică Boruta, algoritm genetic și mașina de boosting cu gradient ușor – sunt aplicate pentru a aborda blestemul dimensionalității care ar putea rezulta dintr-un set mare de caracteristici. Rezultatele indică faptul că combinarea selecției caracteristicilor Boruta cu modelul CNN–LSTM depășește constant alte combinații, atingând o acuratețe de 82.44%. Trei strategii de tranzacționare și trei poziții de investiții sunt examinate prin backtesting. Abordarea de investiții de vânzare și cumpărare pe termen lung și scurt a generat un randament anual extraordinar de 6654% când a fost informată de predicții ale direcției prețului cu o acuratețe mai mare. Acest studiu oferă dovezi ale potențialului de profitabilitate al modelelor predictive în tranzacționarea Bitcoin.

#$

sciencedirect.com
Predicția prețului Bitcoin folosind învățarea automată: O abordare pentru ingineria dimensiunii eșantionului
Zheshi Chen, Chunhong Li, Wenjun Sun
Jurnal de Matematică Computațională și Aplicată 365, 112395, 2020
După boom-ul și prăbușirea prețurilor criptomonedelor în ultimii ani, Bitcoin a fost din ce în ce mai mult considerat un activ de investiție. Din cauza naturii sale extrem de volatile, există o nevoie de predicții precise pe baza cărora să se ia decizii de investiție. Deși studiile existente au folosit învățarea automată pentru predicții mai precise ale prețului Bitcoin, puține s-au concentrat pe fezabilitatea aplicării diferitelor tehnici de modelare pe eșantioane cu structuri de date și caracteristici dimensionale diferite. Pentru a prezice prețul Bitcoin la frecvențe diferite folosind tehnici de învățare automată, clasificăm mai întâi prețul Bitcoin după prețul zilnic și prețul de înaltă frecvență. Un set de caracteristici de înaltă dimensiune, inclusiv proprietate și rețea, tranzacționare și piață, atenție și prețul spot al aurului, sunt utilizate pentru predicția prețului zilnic Bitcoin, în timp ce caracteristicile de bază de tranzacționare obținute de la o bursă de criptomonede sunt folosite pentru predicția prețului la intervale de 5 minute. Metodele statistice, inclusiv Regresia Logistică și Analiza Discriminantă Liniară pentru predicția prețului zilnic Bitcoin cu caracteristici de înaltă dimensiune, ating o acuratețe de 66%, depășind algoritmii de învățare automată mai complicați. Comparativ cu rezultatele de referință pentru predicția prețului zilnic, obținem o performanță mai bună, cu cele mai mari acurateți ale metodelor statistice și algoritmilor de învățare automată de 66% și 65.3%, respectiv. Modelele de învățare automată, inclusiv Pădurea Aleatoare, XGBoost, Analiza Discriminantă Quadratică, Mașina cu Vectori de Suport și Memoria pe termen lung și scurt pentru predicția prețului Bitcoin la intervale de 5 minute sunt superioare metodelor statistice, cu o acuratețe de 67.2%. Investigația noastră asupra predicției prețului Bitcoin poate fi considerată un studiu pilot al importanței dimensiunii eșantionului în tehnicile de învățare automată.