机构名称：
¥ 1.0
3美国加利福尼亚州圣何塞州立大学摘要：加密货币市场的迅速发展的景观提出了独特的挑战和机遇。 加密货币汇率的每日重大变化导致与加密资产的投资相关的重大风险。 本研究旨在使用高级机器学习模型来预测加密货币的价格。 在经过测试的预测和验证效率测试的七个模型中，中性网络的表现最佳，最小误差。 因此，使用长期记忆（LSTM）神经网络用于预测未来趋势。 LSTM模型非常适合分析财务数据中的复杂依赖性。 从历史数据收集，数据预处理，功能工程，归一化和综合套筒开始，对50个加密货币进行了全面的探索数据分析（EDA）。 基于诸如交易量，市值和价格趋势等标准确定了最佳性能者。 使用Python实施了LSTM模型，以预测90天的价格移动数据，以检查复杂的模式和关系。 模型性能通过MAE和RMSE等性能指标验证。 的发现与自适应市场假设（AMH）保持一致，该假设表明，加密货币市场表现出受不断发展的市场状况和投资者行为影响的动态效率。 该研究显示了机器学习模型在金融经济学中的潜力及其在增强风险管理策略和投资决策过程中的作用。3美国加利福尼亚州圣何塞州立大学摘要：加密货币市场的迅速发展的景观提出了独特的挑战和机遇。加密货币汇率的每日重大变化导致与加密资产的投资相关的重大风险。本研究旨在使用高级机器学习模型来预测加密货币的价格。在经过测试的预测和验证效率测试的七个模型中，中性网络的表现最佳，最小误差。因此，使用长期记忆（LSTM）神经网络用于预测未来趋势。LSTM模型非常适合分析财务数据中的复杂依赖性。从历史数据收集，数据预处理，功能工程，归一化和综合套筒开始，对50个加密货币进行了全面的探索数据分析（EDA）。基于诸如交易量，市值和价格趋势等标准确定了最佳性能者。使用Python实施了LSTM模型，以预测90天的价格移动数据，以检查复杂的模式和关系。模型性能通过MAE和RMSE等性能指标验证。的发现与自适应市场假设（AMH）保持一致，该假设表明，加密货币市场表现出受不断发展的市场状况和投资者行为影响的动态效率。该研究显示了机器学习模型在金融经济学中的潜力及其在增强风险管理策略和投资决策过程中的作用。关键字：货币预测，金融经济学，LSTM神经网络，机器学习，模型预测。引言加密货币作为一个名为Satoshi Nakamoto的匿名实体（2020年1月）成为了革命性的金融创新。比特币于2009年推出，并标志着新的数字货币时代的开始（Malik，2016年）。中村的白皮书将比特币描述为一种分散的电子现金系统，可促进安全的直接交易而不依赖中间人（Nakamoto＆Bitcoin，2008）。在比特币的成功之后，开发了许多替代的加密货币，例如以太坊，波纹和莱特币。今天，加密货币景观包括成千上万的数字资产，其中包含金融，游戏，供应链和其他地区的应用（Chlioumi，2022年）。加密货币市场的快速发展给贸易商和投资者带来了机会和挑战。与传统金融市场不同，加密货币在分散的环境中运作，其特征是流动性高和价格频繁波动。这些独特的市场动态需要先进的预测建模技术才能准确预测未来的价格变动（Lubogo，2022）。预测加密货币的行为可以增强交易策略并支持风险管理决策。预测可以为监管框架提供信息，并增强市场信心。但是，这些线性模型在捕获财务时间序列中非线性和复杂依赖性方面的局限性导致了机器学习技术的探索。随着加密货币市场的不断发展，预期价格变动和市场行为的能力对于预测可持续增长并融入更广泛的金融景观至关重要（Nabila等，2021）。机器学习模型由于从历史数据中学习复杂模式的能力而获得了时间序列预测（Elsayed等，2021）。LSTM模型，一种复发性神经网络（RNN），被广泛用于预测长期变化和顺序关系。LSTM模型特别适合建模加密货币价格的非线性和时间性质（Liu等，2020）。研究表明，LSTM模型在预测股票价格，汇率和现在的加密货币价格方面的功效。例如，Ghosh和Neufeld（2022）将LSTMS应用于标准普尔500指数，发现LSTMS胜过
预测加密货币市场：使用统计
主要关键词
相关文件推荐
