×
埃马纽伊·克里斯托福鲁;埃米利斯，Ioannis Z。;阿波斯托洛斯·弗洛拉基斯

用于加密货币评估和价格波动预测的神经网络。 （英语） Zbl 1442.62735号

Pardalos，Panos（编辑）等人，区块链经济的数学研究。2019年3月6日至9日在希腊圣托里尼举行的第一届区块链经济数学研究国际会议论文集。查姆：斯普林格。Springer程序。公共汽车。经济。，133-149 (2020).
摘要：如今，数字资产的数量越来越多，往往建立在可疑的技术基础上。我们设计并实现了神经网络，以探索加密货币影响其性能、稳定性以及每日价格波动的不同方面。我们方法的一个特点是，我们着眼于综合所有可用信息的整体观点：首先，财务信息，包括市值和历史日价格。其次，区块链探险家提供的与底层区块链相关的功能，如网络活动：区块链处理加密货币的供应和需求。最后，我们集成了支持团队基于GitHub活动的软件开发度量。我们设定了两个目标：首先，根据性能对给定加密货币进行分类，其中稳定性和价格上涨是积极的特征。第二，通过回归预测每日价格走势；这当然是一个经过深入研究的问题。相关的第三个目标是确定此类分析的最相关特征。我们在分类和回归设置中比较了使用大多数广泛交易的数字货币（例如比特币、以太坊和利特币）的各种神经网络。考虑了简单前馈神经网络以及递归神经网络（RNN）及其改进，即长短期记忆和门控递归单元。我们的对比分析结果表明，RNN提供了最有希望的结果。
关于整个系列，请参见[Zbl 1444.91006号].

MSC公司：

62第20页 统计学在经济学中的应用
62M45型 神经网络及从随机过程推断的相关方法
62M20型 随机过程推断和预测
91G45型 金融网络（包括传染、系统风险、监管）

关键词：

数字加密货币;深度学习;神经网络;块链;价格变动预测;硬币的特征;功能重要性

软件：

TensorFlow公司
PDF格式BibTeX公司 XML格式引用
\textit{E.Christoforou}等人，in：区块链经济的数学研究。区块链经济数学研究第一届国际会议论文集，2019年3月6日至9日，希腊圣托里尼。查姆：斯普林格。133-149（2020年；Zbl 1442.62735）
全文： 内政部 哈尔

参考文献：

[1] Abadi，M.、Barham，P.、Chen，J.、Cheng，Z.等人：Tensorflow：大规模机器学习系统。摘自：《USENIX操作系统设计与实现研讨会论文集》，第265-283页（2016年）
[2] Ariyo，A.、Adewumi，A.、Ayo，C.：使用ARIMA模型进行股价预测。摘自：《UKSim-AMSS计算机建模与仿真国际会议论文集》，第106-112页（2014）
[3] Ba，J.，Kiros，R.，Hinton，G.E.：层归一化。技术代表1607，arXiv（2016）
[4] Calès，L.，Chalkis，A.，Emiris，I.Z.，Fisikopoulos，V.：结构化凸体的实际体积计算，以及建模投资组合相关性和金融危机的应用。摘自：《计算几何国际研讨会论文集》，布达佩斯，第19:1-19:15页（2018年）·Zbl 1489.68344号
[5] Chatzis，S.P.、Siakoulis，V.、Petropoulos，A.、Stavroulakis，E.、Vlachogiannakis，N.：使用深度和统计机器学习技术预测股市危机事件。专家。系统。申请。112, 353-371 (2018) ·doi:10.1016/j.eswa.2018.06.032
[6] Cho，K.，van Merrinboer，B.，Gulcehre，C.，Bougares，F.等人：使用rnn编码器-解码器学习短语表示，用于统计机器翻译（2014）。https://doi.org/10.115/v1/D14-1179 ·doi:10.3115/v1/D14-1179
[7] Chung，J.，Gulcehre，C.，Cho，K.，Bengio，Y.：门控递归神经网络对序列建模的实证评估（2014）
[8] Hileman，G.，Rauchs，M.：2017年全球加密货币基准研究。SSRN电子。J.（2017）
[9] Hochreiter，S.，Schmidhuber，J.：长期短期记忆。神经计算。9, 1735-1780 (1997). https://doi.org/10.1162/neco.1999.9.8.1735 ·doi:10.1116/neco.1997.9.8.1735
[10] Jang，H.，Lee，J.：基于区块链信息的贝叶斯神经网络对比特币价格建模和预测的实证研究。IEEE接入6，5427-5437（2018）·doi:10.1109/ACCESS.2017.2779181
[11] Jiang，Z.，Liang，J.：深度强化学习的加密货币投资组合管理（2017）。https://doi.org/10.109/IntelliSys.2017.8324237 ·doi:10.1109/IntelliSys.2017.8324237
[12] Kim，Y.B.，Lee，J.，Park，N.，Choo，J.等人：比特币在在线论坛中遇到信息时：使用文本挖掘分析用户意见并预测价值波动。PLOS One 12，e0177630（2017）·doi:10.1371/journal.pone.0177630
[13] Kristjanpoller，W.，Minutolo，M.C.：一个结合GARCH、人工神经网络、技术分析和主成分分析的混合波动率预测框架。专家。系统。申请。109, 1-11 (2018) ·doi:10.1016/j.eswa.2018.05.011
[14] Lahmiri，S.、Bekiros，S.：使用深度学习混沌神经网络进行加密货币预测。混沌孤子分形118，35-40（2019）·Zbl 1442.91070号 ·文件编号：10.1016/j.chaos.2018.11.014
[15] McNally，S.、Roche，J.、Caton，S.：使用机器学习预测比特币的价格。摘自：并行、分布式和基于网络的处理（PDP）欧洲微观国际会议，第339-343页（2018年）
[16] Nakamoto，S.：比特币：一种点对点电子现金系统。加密邮件列表位于https://metzdowd.com网站 (2009)
[17] Nakano，M.、Takahashi，A.和Takahahi，S.：比特币技术交易与人工神经网络。物理学。统计力学。申请。510, 587-609 (2018) ·doi:10.1016/j.physa.2018.07.017
[18] Saad，M.，Mohaisen，A.：针对基于区块链的加密货币进行高精度预测。摘自：IEEE计算机通信会议（Infocom）研讨会论文集，第704-709页（2018年）
[19] Schuster，M.，Paliwal，K.：双向递归神经网络。IEEE传输。信号处理。45, 2673-2681 (1997). https://doi.org/10.109/78.650093 ·数字对象标识代码：10.1109/78.650093
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。