Статья о прогнозировании


Заявление Институционального



жүктеу/скачать 301,5 Kb.
бет7/8
Дата02.12.2023
өлшемі301,5 Kb.
#194749
түріСтатья
1   2   3   4   5   6   7   8
Байланысты:
перевод
Задания суммативного оценивания за 2 четверть, CMTOVCTTACQZ02032023214854, шоттар 2020, «Sapiens Адамзаттың қысқаша тарихы», СМБӨЖ1
Заявление Институционального наблюдательного совета:Непригодный.


Заявление об информированном согласии:Непригодный.


Заявление о доступности данных:Данные, использованные в эксперименте, доступны по следующей ссылке:https://github.com/katemurraay/tsa_crt/tree/kmm4_branch/saved_data, по состоянию на 13 июля 2022 г. Первоначально эти данные были получены изhttps://www.binance.com/иhttps://www.
Investment.com/, оба доступны 13 июля 2022 г.


Конфликт интересов:Авторы заявляют никакого конфликта интересов.

Приложение A. Значения гиперпараметров прогнозных моделей


Подробная информация о значениях гиперпараметров каждой модели представлена в таблице.А1.
Таблица А1.Гиперпараметры и архитектура моделей прогнозирования.



Модель Библиотека Python Архитектура Используемые гиперпараметры

  • сверточный слой: 64

  • сверточная активация: ReLU

ЛСТМ Тензорфлоу
Одинокий
сверточный Слой и LSTM-слой.

  • сверточное ядро: 5

  • LSTM-слой: 75

  • плотный слой: 16

  • Активация плотного слоя: ReLU

  • Скорость обучения: 1×10−4


ГРУ Тензорфлоу


Единый ГРУ


Слой и
Плотный слой.

  • Размер слоя гру: 75

  • Активация слоя gru: ReLU

  • размер плотного слоя: 100

  • Активация плотного слоя: ReLU

  • Скорость обучения: 1×10−3


ЛСТМ-ГРУ
Гибридный


Тензорфлоу


Два ЛСТМ
Слои и Слой ГРУ.

    • первый слой LSTM: 75

    • первый процент отсева: 0,05

    • второй слой LSTM: 50

    • Активация lstm: ReLU

    • первый плотный слой: 32

    • слой гру: 50

    • второй процент отсева: 0,0

    • второй плотный слой: 64

    • Скорость обучения: 1×10−3


ТКН Тензорфлоу
Четыре
сверточный
Слои

    • сверточные фильтры: 32

    • сверточное ядро: 16

    • Скорость расширения: 8

    • размеры плотного слоя: 64

    • процент отсева: 0,05

    • Скорость обучения: 1×10−4


TFT ДАРТС

      • длина входного фрагмента: 30

      • длина выходного фрагмента: 1

      • количество слоев LSTM: 3

      • количество головок внимания: 7

      • Размеры скрытого слоя: 64

      • процент отсева: 0,05

      • Скорость обучения: 1×10−3


РФ Scikit-Learn



      • количество оценщиков: 200

      • критерий: мсэ

      • максимальная глубина: 100




      • Максимальное количество функций: sqrt





СВР Scikit-Learn



      • ядро: поли

      • степень: 5

      • гамма: авто

•тол: 0,001

      • С: 100


кНН Scikit-Learn



      • количество соседей: 28

      • гири: равномерные

      • алгоритм: грубый

      • р: 2




АРИМА Статистическая модель

  • р: 1

  • д: 0

  • д: 2




Рекомендации

  1. Цены на криптовалюты, графики и рыночная капитализация. Доступно онлайн:https://coinmarketcap.com/(по состоянию на 25 ноября 2022 г.).

  2. Бури, Э.; Шахзад, SJH; Рубо, Д. Со-взрыв на рынке криптовалют.Финанс. Рез. Летт.2019 год,29, 178–183. [Перекрестная ссылка]

  3. Фанг, Ф.; Вентре, К.; Басиос, М.; Кантан, Л.; Мартинес-Рего, Д.; Ву, Ф.; Ли, Л. Торговля криптовалютой: комплексный обзор. Финанс. Иннов.2022 год,8,

13. [Перекрестная ссылка]

  1. Арийо, А.А.; Адевуми, АО; Айо, Прогноз цен на акции CK с использованием модели ARIMA. В материалах 16-й Международной конференции UKSim- AMSS 2014 г. по компьютерному моделированию и симуляции, Кембридж, Великобритания, 26–28 марта 2014 г.; стр. 106–112.

[Перекрестная ссылка]

  1. Ливьерис, И.Е.; Кириакиду, Н.; Ставрояннис, С.; Пинтелас, П. Расширенная модель CNN-LSTM для прогнозирования криптовалют. Электроника2021 год,10, 287. [Перекрестная ссылка]

  2. Вираван, И.М.; Видиянингтьяс, Т.; Хасан, М. М. Краткосрочный прогноз цены биткойнов с использованием метода ARIMA. В материалах Международного семинара по применению технологий информации и коммуникации (iSemantic) 2019 г., Семаранг, Индонезия, 21–22 сентября 2019 г.; стр. 260–265. [Перекрестная ссылка]

  3. Лахмири, С.; Бекирос, С. Прогнозирование криптовалют с помощью хаотических нейронных сетей глубокого обучения.Хаос Солитоны Фракталы2019 год, 118, 35–40. [ Перекрестная ссылка]

  4. Адегборува, Т.И.; Адешина, С.А.; Букар, М.М. Анализ временных рядов и прогнозирование биткойнов с использованием нейронной сети с

краткосрочной памятью. В материалах 15-й Международной конференции по электронике, компьютерам и вычислениям (ICECCO) 2019 г., Абуджа, Нигерия, 10–12 декабря 2019 г.; стр. 1–5. [Перекрестная ссылка]

  1. Тандон, С.; Трипати, С.; Сарасват, П.; Дабас, К. Прогнозирование цен на биткойны с использованием LSTM и 10-кратной перекрестной проверки. В материалах Международной конференции по обработке сигналов и связи (ICSC) 2019 г., Нойда, Индия, 7–9 марта 2019 г.; стр. 323–328.

[Перекрестная ссылка]

  1. Хамайель, МЮ; Оуда, А.Ю. Новая модель прогнозирования цен на криптовалюту с использованием алгоритмов машинного обучения GRU, LSTM и bi-LSTM.ИИ

2021 год,2, 477–496. [Перекрестная ссылка]

  1. Патель, М.М.; Танвар, С.; Гупта, Р.; Кумар, Н. Схема прогнозирования цен криптовалюты на основе глубокого обучения для финансовых учреждений.Ж. Инф. Безопасность. Прил.2020 год,55, 102583. [Перекрестная ссылка]

  2. Де Гуйер, Дж.Г.; Гайндман, Р.Дж. 25 лет прогнозирования временных рядов.Межд. Дж. Прогноз.2006 г.,22, 443–473. [Перекрестная ссылка]

  3. Коробка, ГЭП; Дженкинс, генеральный менеджерАнализ временных рядов: прогнозирование и контроль; Холден-Дэй: Сан-Франциско, Калифорния, США, 1976 г.

  4. Ямак, П.Т.; Юйцзянь, Л.; Гадоси, П.К. Сравнение ARIMA, LSTM и GRU для прогнозирования временных рядов. В материалах 2-й Международной конференции по алгоритмам, вычислительной технике и искусственному интеллекту 2019 г., Санья, Китай, 20–22 декабря 2019 г.; Ассоциация вычислительной техники: Нью-Йорк, штат Нью-Йорк, США, 2020 г.; стр. 49–55. [Перекрестная ссылка]

  5. Рой, С.; Нанджиба, С.; Чакрабарти, А. Прогнозирование цен на биткойны с использованием анализа временных рядов. В материалах 21-й Международной конференции по компьютерным и информационным технологиям (ICCIT) 2018 г., Дакка, Бангладеш, 21–23 декабря 2018 г.; стр. 1–5.

[Перекрестная ссылка]

  1. Вальтер Т.; Кляйн, Т.; Бури, Э. Экзогенные факторы волатильности биткойнов и криптовалют – смешанный подход к выборке данных для прогнозирования.Дж. Межд. Финанс. Отметка. Инст. Деньги2019 год,63, 101133. [Перекрестная ссылка]

  2. Масиэль, Л. Рискованная стоимость криптовалют и ожидаемый дефицит: улучшают ли модели волатильности, меняющие режимы, прогнозирование?Межд.

Дж. Финанс. Экон.2021 год,26, 4840–4855. [Перекрестная ссылка]

  1. Мба, Дж.К.; Мвамби, С.М.; Пиндза, Э. Подход Монте-Карло к прогнозированию цен на биткойны с помощью дробного процесса Орнштейна – Уленбека-Леви.

Прогнозирование2022 год,4, 409–419. [Перекрестная ссылка]

  1. Дербенцев В.; Бабенко В.; Хрусталев К.; Обруч, Х.; Хрусталова С. Сравнительная эффективность ансамблевых алгоритмов машинного обучения для прогнозирования цен на криптовалюты.Межд. Дж. Инж.2021 год,34, 140–148.

  2. Шевалье, Ж.; Геган, Д.; Гутте С. Можно ли предсказать цену биткойна?Прогнозирование2021 год,3, 377–420. [Перекрестная ссылка]

  3. Хедр, AM; Ариф, И.; Эль-Баннани, М.; Альхашми, С.М.; ; Сридхаран, М. Прогнозирование цен на криптовалюту с использованием традиционных статистических методов и методов машинного обучения: опрос.Интел. Сист. Счет. Финанс. Менеджер.2021 год,28, 3–34. [Перекрестная ссылка]

  4. Браунли, Дж.Глубокое обучение для прогнозирования временных рядов: прогнозирование будущего с помощью MLP, CNN и LSTM на Python; Мастерство машинного обучения: Сан-Хуан, PR, США, 2018.

  5. Андреони А.; Посторино, Миннесота. Модели временных рядов для прогнозирования спроса на воздушный транспорт: исследование регионального аэропорта.Учебник МФБ. Том.2006 г.,

39, 101–106. [Перекрестная ссылка]

  1. Лим, К.; Макалир, М. Прогнозы временных рядов международного спроса на поездки в Австралию.Тур. Менеджер.2002 г.,23, 389–396. [Перекрестная ссылка]

  2. Лорек, К.С.; Ли Виллинджер, Г. Анализ точности долгосрочных прогнозов прибыли.Адв. Счет.2002 г.,19, 161–175. [Перекрестная ссылка]

  3. Контрерас, Дж.; Эспинола, Р.; Ногалес, Ф.; Конехо, А. Модели ARIMA для прогнозирования цен на электроэнергию на следующий день.IEEE Транс. Система питания 2003 г.,18, 1014–1020. [Перекрестная ссылка]

  4. Икбал, М.; Икбал, М.; Яскани, Ф.; Икбал, К.; Хасан, А. Прогнозирование рынка криптовалют с помощью временных рядов с использованием методов машинного обучения.

Одобренная EAI Trans. Креативно. Технол.2021 год,8, е4. [Перекрестная ссылка]

  1. Бан, Т.; Чжан, Р.; Панг, С.; Саррафзаде, А.; Иноуэ, Д. Референтная регрессия kNN для прогнозирования финансовых временных рядов.Лект. Примечания Вычисл. наук. (Вкл. Подсер. Лек. Примечания Арт. Интел. Лек. Примечания Биоинформ.)2013,8226,601–608. [Перекрестная ссылка]


  1. Тронкосо Лора, А.; Сантос, Дж.; Сантос, Дж.; Рамос, Дж.; Экспосито, А. Прогнозирование цен на рынке электроэнергии: нейронные сети в сравнении с взвешенным расстоянием k и ближайшими соседями.Лект. Примечания Вычисл. наук. (Вкл. Подсер. Лек. Примечания Арт. Интел. Лек. Примечания Биоинформ.)2002 г., 2453, 321–330.




  1. Хуанг, В. Модель прогнозирования цен виртуальной валюты KNN на основе характеристик ценового тренда. В материалах 2-й Международной конференции IEEE по энергетике, электронике и компьютерным приложениям (ICPECA) 2022 г., Шэньян, Китай, 21–23 января 2022 г.; стр. 537–

542. [Перекрестная ссылка]

  1. Вапник, В.Природа статистической теории обучения; Springer Science & Business Media: Берлин, Германия, 1995.

  2. Ву, С.; Акбаров А. Регрессия опорных векторов для прогнозирования гарантийных претензий.Евро. Дж. Опер. Рез.2011 год,213, 196–204. [Перекрестная ссылка]

  3. Бунеску, Р.; Штрубле, Н.; Марлинг, К.; Шубрук, Дж.; Шварц, Ф. Прогнозирование уровня глюкозы в крови с использованием физиологических моделей и опорной векторной регрессии. В материалах 12-й Международной конференции по машинному обучению и приложениям 2013 г., Майами, Флорида, США, 4–7 декабря 2013 г.; Том 1, стр. 135–140. [Перекрестная ссылка]

  4. Ся, Ю.; Лю, Ю.; Чен, З. Регрессия опорных векторов для прогнозирования тренда акций. В материалах 6-й Международной конференции по

информационному менеджменту, инновационному менеджменту и промышленному проектированию 2013 г., Сиань, Китай, 23–24 ноября 2013 г.; Том 2, стр. 123–126. [Перекрестная ссылка]

  1. Наинг, В.; Хтике З. Прогнозирование ежемесячных изменений температуры с использованием случайных лесов.АРПН Дж. Инж. Прил. наук.2015 год, 10, 10109– 10112.

  2. Лю, Ю.; Сараби, А.; Чжан, Дж.; Нагизаде, П.; Карир, М.; Бейли, М.; Лю, М. Облачно с вероятностью взлома: прогнозирование инцидентов кибербезопасности. В материалах 24-го симпозиума по безопасности USENIX, Вашингтон, округ Колумбия, США, 12–14 августа 2015 г.; стр. 1009– 1024.

  3. Загорецкий А. Прогнозирование выбросов метана в угольных шахтах на основе многомерных временных рядов с использованием случайного леса.Лект. Примечания Вычисл. наук. (Вкл. Подсер. Лек. Примечания Арт. Интел. Лек. Примечания Биоинформ.)2015 год,9437, 494–500. [Перекрестная ссылка]

  4. Хохрейтер, С.; Шмидхубер Дж. Долговременная кратковременная память.Нейронный компьютер.1997 год,9, 1735–1780. [Перекрестная ссылка] [ПабМед]

  5. Ма, Х.; Тао, З.; Ван, Ю.; Ю, Х.; Ван, Ю. Нейронная сеть с длинной краткосрочной памятью для прогнозирования скорости движения с использованием данных удаленного микроволнового датчика.Трансп. Рез.
    жүктеу/скачать 301,5 Kb.

    Достарыңызбен бөлісу:
1   2   3   4   5   6   7   8



©www.engime.org 2024
әкімшілігінің қараңыз
    Басты бет