Publikace detail

Cryptocurrency price forecasting - A comparative analysis of ensemble learning and deep learning methods

Autoři: Bouteska Ahmed | Abedin Mohammad Zoynul | Hájek Petr | Yuan Kunpeng

Rok: 2024

Druh publikace: článek v odborném periodiku

Název zdroje: International Review of Financial Analysis

Název nakladatele: Elsevier Science Inc.

Místo vydání: New York

Strana od-do: 103055

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Predikce ceny kryptoměn - Srovnávací analýza metod skupinového učení a hlubokého učení	Predikce cen kryptoměn přitahuje značnou pozornost díky své klíčové roli při podpoře rozhodování v investičních strategiích. Velké výkyvy v nestacionárních cenách kryptoměn motivují naléhavou potřebu přesných predikčních modelů. Absence sezónních vlivů a nutnost splnění řady nerealistických požadavků ztěžují přesné předpovědi pomocí tradičních statistických metod, což činí strojové učení, zejména ensemble metody a hluboké učení, nejlepší technologií v oblasti predikce cen kryptoměn. Tato práce je první, která poskytuje komplexní srovnávací analýzu predikčních modelů založených na ensemble (skupinových) metodách a hlubokém učení, zkoumá jejich relativní výkonnost na různých kryptoměnách (Bitcoin, Ethereum, Ripple a Litecoin) a zkoumá jejich potenciální aplikace v obchodování. Výsledky této studie odhalují, že metody jako gated recurrent unit, jednoduchá rekurentní neuronová síť a LightGBM překonávají ostatní metody strojového učení i naivní strategie "koupit a držet" a náhodné procházky. To může efektivně vést investory na trzích s kryptoměnami.	Kryptoměna; Bitcoin; Predikce; Skupinové učení; Hluboké učení; Neuronové sítě
eng	Cryptocurrency price forecasting - A comparative analysis of ensemble learning and deep learning methods	Cryptocurrency price forecasting is attracting considerable interest due to its crucial decision support role in investment strategies. Large fluctuations in non-stationary cryptocurrency prices motivate the urgent need for accurate forecasting models. The lack of seasonal effects and the need to meet a number of unrealistic re-quirements make it difficult to make accurate forecasts using traditional statistical methods, leaving machine learning, particularly ensemble and deep learning, as the best technology in the area of cryptocurrency price forecasting. This is the first work to provide a comprehensive comparative analysis of ensemble learning and deep learning forecasting models, examining their relative performance on various cryptocurrencies (Bitcoin, Ethereum, Ripple, and Litecoin) and exploring their potential trading applications. The results of this study reveal that gated recurrent unit, simple recurrent neural network, and LightGBM methods outperform other machine learning methods, as well as the naive buy-and-hold and random walk strategies. This can effectively guide investors in the cryptocurrency markets.	Cryptocurrency; Bitcoin; Forecasting; Ensemble learning; Deep learning; Neural networks

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte