An Integrated Approach to Forecast Bitcoin Price Incorporating Economic Factors, Strategic Commodities, and X Tweets
Notice bibliographique
Résumé
Bitcoin is known for its volatility. So, we conducted a diverse market analysis to construct a conclusive market feature dataset and a hybrid model architecture to find better insight and make better forecasts. One key factor that other research overlooked was the market impact of AMD and NVIDIA. These two most prominent tech companies provide consumerlevel GPUs mostly used for cryptocurrency mining. Focusing on these gaps, we conducted an extensive study of the potential markets and their impact on our model training. We provided an extensive data analysis of the impact of crude oil, gold, AMD, NVIDIA, S&P500, NASDAQ, and sentiment analysis of 85 million tweets altogether on Bitcoin price. The volume of tweets that we collected through web scraping is substantial to the other studies. From our comparative analysis, we deduced that A bidirectional LSTM works best for predicting the Bitcoin trend compared to other deep learning and time series models. Thus, we chose Bidirectional LSTM as our base model and used it to build a hybrid architecture ensemble model with Random Forest Regressor. For the proposed model, we have deployed four simultaneous Bayesian Optimized Bidirectional LSTM models, each with its distinct input features, and trained the Random Forest Regressor model using the predictions from those four models. The trained Random Forest model was used to select the best forecast we obtained from the four Bi-LSTM models. Our findings indicate that Bidirectional LSTM predicts more accurately when sentiment analysis and other macroeconomic aspects are incorporated.
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 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 | 0,012 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 tête enseignante, 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 ».