Forecasting bitcoin: Decomposition aided long short-term memory based time series modeling and its explanation with Shapley values
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
Bitcoin price volatility fascinates both researchers and investors, studying features that influence its movement. This paper expends on previous research and examines time series data of various exogenous and endogenous factors: Bitcoin, Ethereum, S&P 500, and VIX closing prices; exchange rates of the Euro and GPB to USD; and the number of Bitcoin-related tweets per day. A period of three years (from September 2019 to September 2022) is covered by the research dataset. A two-layer framework is introduced tasked with accurately forecasting Bitcoin price. In the first layer, to account for complexities in the analyzed data, variational mode decomposition (VMD) extracts trends from the time series. In the second layer, Long short-term memory and hybrid Bidirectional long short-term memory networks were used to forecast prices several steps ahead. This work also introduced an enhanced variant of the sine cosine algorithm to tune the control parameters of VMD and both neural networks for attaining the best possible performance. The main focus is on combining VMD with modified metaheuristics to improve cryptocurrency closing value forecast. Two sets of experiments were conducted, with and without VMD. The results have been contrasted with models tuned by seven other cutting-edge optimizers. Extensive experimental outcomes indicate that Bitcoin price can be forecasted with great accuracy using selected features and time series decomposition. Additionally, the best model was analyzed, and Shapley values indicated that features such as EUR/USD exchange rates, Ethereum closing prices, and GBP/USD exchange rates, have a significant impact on forecasts.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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