یادگیری ماشین برای پیشبینی شاخص رمزارز و قیمت داراییهای آن
خلاصه
این مقاله روشهای یادگیری ماشین را برای پیشبینی قیمت پایانی یک شاخص رمزارز و نه رمزارز تشکیلدهنده آن به کار میگیرد. بیان میکند که چندین الگوریتم و مدل برای یافتن رویکردی با بهترین عملکرد مقایسه میشوند و کار با پژوهشهای مرتبط نیز سنجیده میشود. انگیزه اعلامشده، بررسی نوسان قیمت در بازاری پرنوسان و کاوش در کاربردهای احتمالی برای معامله و مدیریت سبد رمزارز است.
نویسندگان گزارش میکنند که رویکرد برترشان نتایجی بهتر از کارهای پیشین یا همتراز با آنها به دست میدهد. با این حال، شرح ارائهشده الگوریتمها، منابع داده، افق پیشبینی، معیارهای ارزیابی یا نتایج مشخص را نام نمیبرد. همچنین توضیح نمیدهد آیا پیشبینیها پس از هزینهها بهعنوان سیگنال معاملاتی ارزیابی شدهاند یا عملکردشان در شرایط متغیر بازار چگونه است. بنابراین متن مسئله پیشبینی و ادعایی کلی درباره مقایسه را بیان میکند، اما برای داوری درباره قابلیت اتکای پیشبینی یا ارزش عملی معاملاتی جزئیات کافی ندارد.
ایدههای کلیدی
- پژوهش قیمت پایانی یک شاخص رمزارز و نه دارایی تشکیلدهنده آن را پیشبینی میکند.
- چند مدل یادگیری ماشین برای انتخاب رویکرد پیشبینی ترجیحی مقایسه میشوند.
- نویسندگان نتایج گزارششده خود را با پژوهشهای مرتبط در زمینه پیشبینی مقایسه میکنند.
- شرح ارائهشده جزئیات مدل، دادهها، معیارهای ارزیابی و آزمونهای معاملاتی را بیان نمیکند.
برچسبها
متن کامل
# Predicting and Forecasting the Price of Constituents and Index of Cryptocurrency Using Machine Learning # Predicting and Forecasting the Price of Constituents and Index of Cryptocurrency Using Machine Learning At present, cryptocurrencies have become a global phenomenon in financial sectors as it is one of the most traded financial instruments worldwide. Cryptocurrency is not only one of the most complicated and abstruse fields among financial instruments, but it is also deemed as a perplexing problem in finance due to its high volatility. This paper makes an attempt to apply machine learning techniques on the index and constituents of cryptocurrency with a goal to predict and forecast prices thereof. In particular, the purpose of this paper is to predict and forecast the close (closing) price of the cryptocurrency index 30 and nine constituents of cryptocurrencies using machine learning algorithms and models so that, it becomes easier for people to trade these currencies. We have used several machine learning techniques and algorithms and compared the models with each other to get the best output. We believe that our work will help reduce the challenges and difficulties faced by people, who invest in cryptocurrencies. Moreover, the obtained results can play a major role in cryptocurrency portfolio management and in observing the fluctuations in the prices of constituents of cryptocurrency market. We have also compared our approach with similar state of the art works from the literature, where machine learning approaches are considered for predicting and forecasting the prices of these currencies. In the sequel, we have found that our best approach presents better and competitive results than the best works from the literature thereby advancing the state of the art. Using such prediction and forecasting methods, people can easily understand the trend and it would be even easier for them to trade in a difficult and challenging financial instrument like cryptocurrency.
با ذکر منبع و مطابق مجوز اثر، بهطور کامل نمایش داده میشود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخهای از اثر منبع نیست.