Прогнозування цін на Bitcoin з використанням штучного інтелекту:
Комбінація моделей ML, SARIMA та Facebook Prophet
✍️ Лупін мою
link.springer.com
Глибоке навчання для прогнозування напрямку цін на Bitcoin: моделі та торгові стратегії емпірично порівняні
Олувадамілоре Омоле, Девід Енке
Фінансові інновації 10 (1), 117, 2024
Ця стаття застосовує моделі глибокого навчання для прогнозування напрямків цін на Bitcoin та наступної прибутковості торгових стратегій на основі цих прогнозів. Дослідження порівнює ефективність згорткової нейронної мережі – довгострокової та короткострокової мережі часових рядів, тимчасової згорткової мережі та моделей ARIMA (бенчмарк) для прогнозування цін на Bitcoin з використанням даних на ланцюгу. Методи вибору ознак – тобто Boruta, генетичний алгоритм та легка градієнтна підсилювальна машина – застосовуються для вирішення проблеми вимірності, яка може виникнути через великий набір ознак. Результати вказують на те, що поєднання вибору ознак Boruta з моделлю CNN–LSTM стабільно перевершує інші комбінації, досягаючи точності 82,44%. Три торгові стратегії та три інвестиційні позиції досліджуються через тестування на минулих даних. Інвестиційний підхід купівлі та продажу з використанням довгострокових та короткострокових стратегій приніс надзвичайну річну дохідність у 6654% при більш точних прогнозах напрямків цін. Це дослідження надає докази потенційної прибутковості прогнозуючих моделей у торгівлі Bitcoin.
https://zacimka.com
Повний перегляд
Цитовано лупіном мою
Схожі статті
Усі 8 версій
Прогнозування цін на Bitcoin з використанням штучного інтелекту: Комбінація моделей ML, SARIMA та Facebook Prophet
Лупін мою
Технологічне прогнозування та соціальні зміни 198, 122938, 2024
В останні роки інвестори, корпорації та підприємства виявили великий інтерес до мережі Bitcoin; отже, просування її продуктів і послуг є вирішальним. Це дослідження використовує емпіричний аналіз фінансових часових рядів та машинного навчання для прогнозування ціни біткоїна та волатильності Гармана-Класса (GK) за допомогою моделей Long Short-Term Memory (LSTM), Сезонного авторегресивного інтегрованого ковзаючого середнього (SARIMA) та Facebook Prophet. Результати показують, що LTSM демонструє помітне покращення в порівнянні з SARIMA та Facebook Prophet за показниками MSE (середньоквадратична помилка) і MAE (середня абсолютна помилка). На відміну від Long Short-Term Memory (LSTM), компонента глибокого навчання (DL), результати пояснюють, чому прогнозування біткоїна та його волатильності частково задовольнялося традиційними методами прогнозування часових рядів (SARIMA) та авто-машинного навчання (Fb-Prophet). Крім того, результати підтверджують, що значення Bitcoin є надзвичайно сезонно волатильними та випадковими і часто підлягають впливу зовнішніх змінних (або новин), таких як закони про криптовалюту, інвестиції або чутки в соціальних мережах. Крім того, результати показують потужну оптимістичну тенденцію, а дні, коли більшість людей їздять на роботу, це понеділок і субота, а також річна сезонність. Тенденція ціни та волатильності біткоїна за допомогою SARIMA та FB-Prophet є більш передбачуваною. Fb-Prophet не може легко вписатися в період російсько-українського конфлікту, а в деякі періоди COVID-19 його ефективність постраждає під час буремної епохи. Більш того, прогнозування Гармана-Класса (GK) здається більш ефективним, ніж міра квадратних доходів, що має наслідки для інвесторів та управлінців фондами. Дослідження представляє інноваційні ідеї щодо майбутніх регуляцій криптовалют, динаміки фондового ринку та глобального розподілу ресурсів.
