Time-Series Forecasting of Cryptocurrency Prices Using High-Dimensional Features and a Hybrid Approach
Notice bibliographique
Résumé
Nowadays, digital cryptocurrencies are the most popular asset, especially for international exchanges.Bitcoin is the earliest cryptocurrency that succeeded in being used in financial transactions.Bitcoin stores the transactions in Blockchain technology.Bitcoin price has been unstable during the time from 0.5$ to about 60,000$ since 2010.Many efforts exist to predict Bitcoin value or its fluctuations using machine learning techniques.The price prediction is usually more challenging than fluctuations prediction, and its performance metrics are improved.This study introduces a methodology to predict Bitcoin price in a dataset, including four intervals to evaluate the proposed method in different situations.The experimental results show that the generalized linear model and Long Short-Term Memory (LSTM) were the best machine learning techniques.The proposed model outperforms the deep learning baseline model with about 18% and 20% relative improvement in mean absolute error and means absolute percentage error, respectively.Deep learning approaches have achieved much better results than other approaches due to the automatic selection of features.Compared to the results reported in the literature, the 1D-CNN+IndRNN proposed approach has reached 81% accuracy, with an 18% improvement.In the proposed approach, 1D-CNN is responsible for feature extraction and IndRNN is responsible for learning features in the form of time series.Appreciating to many people, from all over the world, who so generously helped me during my master's degree and contributed to this thesis work.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».