An Artificial Neural Networks Based Ensemble System to Forecast Bitcoin Daily Trading Volume
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cryptocurrencies are digital assets gaining popularity and generating huge transactions on electronic platforms. We develop an ensemble predictive system based on artificial neural networks to forecast Bitcoin daily trading volume level. Indeed, although ensemble forecasts are increasingly employed in various forecasting tasks, developing an intelligent predictive system for Bitcoin trading volume based on ensemble forecasts has not been addressed yet. Ensemble Bitcoin trading volume are forecasted using two specific artificial neural networks; namely, radial basis function neural networks (RBFNN) and generalized regression neural networks (GRNN). They are adopted to respectively capture local and general patterns in Bitcoin trading volume data. Finally, the feedforward artificial neural network (FFNN) is implemented to generate Bitcoin final trading volume after having aggregated the forecasts from RBFNN and GRNN. In this regard, FFNN is executed to merge local and global forecasts in a nonlinear framework. Overall, our proposed ensemble predictive system reduced the forecasting errors by 18.81% and 62.86% when compared to its components RBFNN and GRNN, respectively. In addition, the ensemble system reduced the forecasting error by 90.49% when compared to a single FFNN used as a basic reference model. Thus, the empirical outcomes show that our proposed ensemble predictive model allows achieving an improvement in terms of forecasting. Regarding the practical results of this work, while being fast, applying the artificial neural networks to develop an ensemble predictive system to forecast Bitcoin daily trading volume is recommended to apply for addressing simultaneously local and global patterns used to characterize Bitcoin trading data. We conclude that the proposed artificial neural networks ensemble forecasting model is easy to implement and efficient for Bitcoin daily volume forecasting.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle