Технологія блокчейн та регулювання конфіденційності: Огляд тертя та синтез можливостей

Оскільки застосування технології блокчейн (BCT) зростає в різних галузях, її вроджена децентралізована та незмінна природа викликає деякі суперечливі питання щодо регулювання конфіденційності. Виконання регуляцій конфіденційності, таких як Загальний регламент захисту даних (GDPR), є прикладом цих викликів, оскільки певні суворі вимоги до конфіденційності в GDPR можуть суперечити характеристикам BCT. Однак мало уваги приділяється таким критично важливим питанням. Це дослідження спирається на теоретичну концепцію технології-організації-середовища (TOE) як механізм для розкриття проблеми. Поточне дослідження зосереджується на вивченні напруженості та можливостей для синергії через призму TOE, щоб запобігти невиконанню вимог регулювання конфіденційності. Ми проаналізували 71 міждисциплінарне дослідження, які підкреслюють області тертя та представляють об'єднуючу структуру для синтезу досліджень. У відповідь на виявлені області тертя та потенційні можливості для співіснування, ми формулюємо дев'ять дослідницьких пропозицій, зосереджених на шести видатних та спірних вимогах до конфіденційності даних та захисту в рамках GDPR. Це дослідження робить внесок у ширшу дискусію про рішення на основі блокчейну, що відповідають регуляціям конфіденційності, надаючи теоретичну основу для подальшого вивчення цієї критичної області. Дослідження пропонує, що узгодження вимог BCT та регуляцій конфіденційності розкриє повний потенціал BCT, створюючи безпечну, свідому до конфіденційності технологічну інфраструктуру та пропонуючи практичні наслідки та інсайти для політиків.

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.

#$

sciencedirect.com
Прогнозування ціни біткоїна за допомогою машинного навчання: підхід до інженерії розмірності вибірки
Жеші Чен, Чунхон Лі, Веньцзун Сун
Журнал обчислювальної та прикладної математики 365, 112395, 2020
Після буму і краху цін на криптовалюти в останні роки біткоїн все більше розглядається як інвестиційний актив. Через свою високу волатильність існує потреба в точних прогнозах, на основі яких можна приймати інвестиційні рішення. Хоча існуючі дослідження використовували машинне навчання для більш точного прогнозування ціни біткоїна, небагато зосереджувалися на доцільності застосування різних моделей до вибірок з різними структурами даних і вимірювальними характеристиками. Щоб прогнозувати ціну біткоїна на різних частотах, використовуючи техніки машинного навчання, спочатку ми класифікуємо ціну біткоїна за щоденною ціною та ціною високої частоти. Набір ознак високої розмірності, включаючи власність і мережу, торгівлю та ринок, увагу та спотову ціну золота, використовується для прогнозування щоденної ціни біткоїна, тоді як основні торгові ознаки, отримані з біржі криптовалют, використовуються для прогнозування ціни з інтервалом 5 хвилин. Статистичні методи, включаючи логістичну регресію та лінійний дискримінантний аналіз для щоденного прогнозування ціни біткоїна з ознаками високої розмірності, досягають точності 66%, перевершуючи більш складні алгоритми машинного навчання. У порівнянні з еталонними результатами для щоденного прогнозування ціни ми досягаємо кращих показників, з найвищими точностями статистичних методів і алгоритмів машинного навчання на рівні 66% та 65.3% відповідно. Моделі машинного навчання, включаючи випадковий ліс, XGBoost, квадратичний дискримінантний аналіз, метод опорних векторів та довгострокову пам'ять, для прогнозування ціни біткоїна з інтервалом 5 хвилин перевершують статистичні методи, досягаючи точності 67.2%. Наше дослідження прогнозування ціни біткоїна можна вважати пілотним дослідженням важливості розмірності вибірки в техніках машинного навчання.