Статья о прогнозировании

Перевод: английский - русский - www.onlinedoctranslator.com
прогнозирование


Статья
О прогнозировании цен на криптовалюту: сравнение машинного обучения, глубокого обучения и ансамблей

Кейт Мюррей1, Андреа Росси2, Диего Карраро3 и Андреа Висентин1,2,3,*

1. 
   Школа компьютерных наук и информационных технологий, Университетский колледж Корка, T12 XF62 Корк, Ирландия
   
2. 
   Центр подготовки исследований в области искусственного интеллекта, Университетский колледж Корка, T12 XF62 Корк, Ирландия
   
3. 
   Insight Center for Data Analytics, Университетский колледж Корка, T12 XF62 Корк, Ирландия
   

* Переписка: andrea.visentin@ucc.ie

Цитата:Мюррей, К.; Росси, А.; Карраро, Д.; Висентин А. О прогнозировании цен на криптовалюту: сравнение машинного обучения, глубокого обучения и ансамблей. Прогнозирование2023 год,5, 196–209. https://doi.org/10.3390/ forecast5010010

Академический редактор: Василиос Плакандарас

Поступила: 5 декабря 2022 г.

Отредактирована: 13 января 2023
г. Принята: 18 января 2023 г.
Опубликована: 29 января 2023 г.


Авторские права:© 2023 авторы. Лицензиат MDPI, Базель, Швейцария. Данная статья находится в открытом плитка
Абстрактный:Трейдеры и инвесторы заинтересованы в точном прогнозировании цен на криптовалюту, чтобы увеличить доходность и минимизировать риск. Однако из-за их неопределенности, волатильности и динамизма прогнозирование цен на криптовалюты является сложной задачей анализа временных рядов. Исследователи предложили предикторы, основанные на подходах статистики, машинного обучения (ML) и глубокого обучения (DL), но литература ограничена. Действительно, он узкий, поскольку фокусируется на прогнозировании цен только нескольких самых известных криптовалют. Кроме того, он разбросан, поскольку разные модели на разных криптовалютах сравниваются непоследовательно, и ему не хватает общности, поскольку решения слишком сложны и их трудно воспроизвести на практике. Основная цель данной статьи — предоставить структуру сравнения, которая преодолевает эти ограничения. Мы используем эту структуру для проведения обширных экспериментов, в которых сравниваем эффективность широко используемых в литературе статистических подходов, подходов машинного обучения и глубокого обучения для прогнозирования цен пяти популярных криптовалют, то есть XRP, биткойнов (BTC), Litecoin (LTC), Ethereum. (ETH) и Monero (XMR). Насколько нам известно, мы также первые, кто предложил использовать для этой задачи преобразователь временного синтеза (TFT). Более того, мы распространяем наше исследование на гибридные модели и ансамбли, чтобы оценить, повышает ли объединение отдельных моделей точность прогнозов. Наша оценка показывает, что подходы DL являются лучшими предикторами, особенно LSTM, и это неизменно верно для всех исследованных криптовалют. LSTM достигает среднего значения RMSE 0,0222 и MAE 0,0173 соответственно, что на 2,7% и 1,7% лучше, чем у второй лучшей модели. Чтобы обеспечить воспроизводимость и стимулировать вклад в будущие исследования, мы делимся набором данных и кодом экспериментов.