使用人工智能预测比特币价格：
机器学习、SARIMA和Facebook Prophet模型的组合
✍️ Lupin moha
link.springer.com
比特币价格方向预测的深度学习：模型和交易策略的实证比较
Oluwadamilare Omole，David Enke
金融创新 10 (1), 117, 2024
本文应用深度学习模型预测比特币价格方向及基于这些预测的交易策略的后续盈利能力。研究比较了卷积神经网络-长短期记忆（CNN-LSTM）、长短期时间序列网络、时间卷积网络和ARIMA（基准）模型在使用链上数据预测比特币价格方面的表现。采用特征选择方法——即Boruta、遗传算法和轻梯度提升机——来解决可能由大量特征集导致的维度诅咒。结果表明，将Boruta特征选择与CNN-LSTM模型相结合的组合始终优于其他组合，准确率达到82.44%。通过回测研究了三种交易策略和三种投资头寸。当以更高准确率的价格方向预测为依据时，长短买卖投资方法产生了6654%的非凡年回报。本研究提供了预测模型在比特币交易中潜在盈利能力的证据。
https://zacimka.com
完整视图
引用自lupin moha
相关文献
所有8个版本
使用人工智能预测比特币价格：机器学习、SARIMA和Facebook Prophet模型的组合
Lupin moha
《技术预测与社会变革》198, 122938, 2024
近年来，投资者、公司和企业对比特币网络表现出极大的兴趣；因此，推广其产品和服务至关重要。本研究利用金融时间序列和机器学习的实证分析，使用长短期记忆（LSTM）、季节性自回归积分滑动平均（SARIMA）和Facebook Prophet模型对比特币价格和Garman-Klass（GK）波动性进行预测。性能结果显示，LSTM的提升在均方误差（MSE）和平均绝对误差（MAE）方面明显优于SARIMA和Facebook Prophet。与深度学习（DL）的一部分长短期记忆（LSTM）不同，研究结果解释了为什么传统时间序列预测（SARIMA）和自动机器学习技术（Fb-Prophet）在一定程度上满足了比特币及其波动性预测的困难。此外，研究结果确认比特币的价值极具季节性波动和随机性，且常常受到外部变量（或新闻）的影响，如加密货币法律、投资或社交媒体谣言。此外，结果显示出强劲的乐观趋势，通勤人数最多的日子是星期一和星期六，并且有年度季节性。使用SARIMA和FB-Prophet的比特币价格和波动性趋势更具可预测性。Fb-Prophet在俄罗斯-乌克兰冲突期间无法轻易适应，在某些COVID-19期间，其表现会在动荡时期受到影响。此外，Garman-Klass（GK）预测似乎比平方收益价格度量更有效，这对投资者和基金经理有重要意义。本研究提供了有关即将到来的加密货币法规、股市动态和全球资源配置的创新见解。
