XiaoMi-AI文件搜索系统
World File Search SystemElSayed
国际英语文学与社会科学杂志...
博士Manoj Kumar，印度斋浦尔阿米蒂大学 博士Dinh Tran Ngoc Huy，胡志明市，越南 博士路易莎·玛丽亚·阿尔维德·坎布拉 (Luisa María Arvide Cambra)，西班牙阿尔梅里亚大学教授、博士奥萨马·马哈茂德·阿布·巴哈 (Osama Mahmoud Abu Baha)，近东救济工程处教育科学大学学院 博士拉宾德拉·卡亚斯塔 (Rabindra Kayastha)，加德满都大学，尼泊尔 普林斯·达瓦尔 (Prince Dawar)，普尔尼玛工程学院，印度斋浦尔 拉比亚·纳杰夫 (Rabia Najaf)，巴基斯坦政府大学财政部。 Farhana Haque，孟加拉国达卡布拉克大学 博士H.Saremi，伊朗伊斯兰阿扎德大学，库昌分校，伊朗库昌 博士塔希尔（Taher），约旦扎伊图纳大学 博士Syed Damsaz Ali Andrabi，印度克什米尔普尔瓦马男子政府学位学院 博士。 Ramel D. Tomaquin，苏里高德尔苏尔州立大学，罗萨里奥，坦达格市。菲律宾 博士罗斯·阿萨亚斯·阿尔塞尼奥 (Rose Asayas Arceño)，莱特理工学院，菲律宾塔克洛班市。 博士维森特·阿拉诺卡·阿罗库蒂帕 (Vicente Alanoca Arocutipa)，秘鲁普诺阿尔蒂普拉诺国立大学本科生和研究生教师。 博士Mohammad Shaukat Ansari，MLSM 学院（LN Mithila 大学），印度比哈尔邦达尔班阿 Holmes Rajagukguk，棉兰州立大学，印度尼西亚北塔帕努里 Sisingamangaraja 大学讲师 Raikhapoor M.Hum IAKN，印度尼西亚北塔帕努里塔鲁通州立基督教宗教学院 Dr. Payal Chadha，马里兰大学欧洲学院，科威特 Sarath W. Samaranayake，希纳斯理工学院，Al-Aqur，希纳斯，邮政信箱 77，PC 324，阿曼苏丹国。 莱登。 C. Lashley，圭亚那大学讲师，圭亚那 Ronato Sabalza Ballado，东菲律宾大学教育与研究生学院。 博士Andrew Sagayadass Philominraj，智利马乌莱天主教大学语言系英语教学学院 教授博士Misbah Mahmood Dawood AL-Sulaimaan，黎巴嫩法国大学，伊拉克库尔德斯坦地区 Lahcen Belmekki，教育部，盖尼特拉高中英语教师 Dr. Agustin Nuñez Arceña，菲律宾吉马拉斯州立学院 Mohsen Hanif，伊朗德黑兰 Kharazmi 大学 博士Marwa Essam Eldin Fahmy，埃及 MISR 科技大学 Reza Kafipour，伊朗设拉子医科大学，Meshkinfam 街 Damianus Abun，菲律宾维甘圣言学院和佬沃圣言学院 Md. Tanvir Ahsan，达卡贾格纳特大学 教授博士Elsayed Ahmed Elnashar，埃及卡夫雷尔谢赫大学特殊教育学院教授。 Agnieszka Iłendo -Milewska，波兰比亚韦斯托克私立教育大学 Vo Kim Nhan 女士，越南前江大学 Nguyen Thi Phuong Hong，越南胡志明市经济大学 Dr. Sylwia Gwoździewicz，波兰戈茹夫雅各布天堂大学 Kim Edward S. Santos，菲律宾新怡诗夏科技大学。
预测加密货币市场：使用统计
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
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：