Прогнозирование цен на биткойн с использованием искусственного интеллекта:
Комбинация моделей ML, SARIMA и Facebook Prophet
✍️ Луйпин мо́ха
link.springer.com
Глубокое обучение для прогнозирования направления цен на биткойн: модели и торговые стратегии, эмпирически сравниваемые
Олувадомиларе Омоле, Дэвид Энке
Финансовые инновации 10 (1), 117, 2024
В этой статье применяются модели глубокого обучения для прогнозирования направлений цен на биткойн и последующей прибыльности торговых стратегий на основе этих прогнозов. Исследование сравнивает производительность свёрточной нейронной сети – длинной и короткой памяти (CNN–LSTM), сети временных рядов и ARIMA (бенчмарк) для прогнозирования цен на биткойн с использованием данных блокчейна. Методы выбора признаков, такие как Boruta, генетический алгоритм и легкая градиентная бустинговая машина, применяются для решения проблемы проклятия размерности, которая может возникнуть из-за большого набора признаков. Результаты показывают, что комбинация выбора признаков Boruta с моделью CNN–LSTM последовательно превосходит другие комбинации, достигая точности 82.44%. Три торговые стратегии и три инвестиционные позиции исследуются через бэктестирование. Инвестиционный подход «долгосрочная и краткосрочная покупка и продажа» принес необычайную годовую доходность в 6654%, основываясь на более точных прогнозах направлений цен. Это исследование предоставляет доказательства потенциальной прибыльности предсказательных моделей в торговле биткойнами.
https://zacimka.com
Полный обзор
Цитируется луйпином мо́ха
Связанные статьи
Все 8 версий
Прогнозирование цен на биткойн с использованием искусственного интеллекта: Комбинация моделей ML, SARIMA и Facebook Prophet
Луйпин мо́ха
Технологическое прогнозирование и социальные изменения 198, 122938, 2024
В последние годы инвесторы, корпорации и предприятия проявляют большой интерес к сети Биткойн; таким образом, продвижение ее продуктов и услуг имеет решающее значение. Это исследование использует эмпирический анализ финансовых временных рядов и машинного обучения для прогнозирования цены биткойна и волатильности Гармана-Класса (GK) с использованием моделей Long Short-Term Memory (LSTM), сезонной авторегрессионной интегрированной скользящей средней (SARIMA) и Facebook Prophet. Результаты показывают, что LTSM имеет заметное улучшение по сравнению с SARIMA и Facebook Prophet в терминах MSE (среднеквадратичная ошибка) и MAE (средняя абсолютная ошибка). В отличие от Long Short-Term Memory (LSTM), компонента глубокого обучения (DL), данное открытие объясняет, почему сложность прогнозирования биткойна и его волатильности была частично решена традиционным прогнозированием временных рядов (SARIMA) и техникой авто-машинного обучения (Fb-Prophet). Более того, результат подтвердил, что значения биткойна крайне сезонно волатильны и случайны и часто подвержены влиянию внешних факторов (или новостей), таких как законы о криптовалюте, инвестиции или слухи в социальных сетях. Кроме того, результаты показывают сильную оптимистичную тенденцию, и дни, когда большинство людей ездят на работу, это понедельник и суббота, а также ежегодная сезонность. Тенденция цены и волатильности биткойна с использованием SARIMA и FB-Prophet более предсказуема. Fb-Prophet не может легко вписаться в период конфликта между Россией и Украиной, и в некоторые периоды COVID-19 его производительность будет страдать в бурную эпоху. Более того, прогнозирование Гармана-Класса (GK) кажется более эффективным, чем измерение цен с использованием квадратных доходностей, что имеет значение для инвесторов и управляющих фондами. Исследование представляет собой инновационные идеи, касающиеся будущих регулирований криптовалют, динамики фондового рынка и глобального распределения ресурсов.
