模态分解及混合模型在比特币价格预测中的应用

独特的生产、发行和交易机制等多种因素的影响下,比特币价格表现出极端的波动性,导致了预测任务的复杂性.为此提出了基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)的混合预测模型,将复杂的原始序列分解成多个简单固有模态函数(IMFs),并通过重构算法将IMFs集成为不同频率的分量.根据各分量的不同数据模式,选取不同机器学习模型分别进行预测,叠加各分量预测结果得到最终比特币价格预测结果.对比结果表明,该模型在各评价指标上均优于单一预测模型,混合模型可以优化预测结果,较好地减小预测误差.

融合情绪分析和Informer-ARIMA模型的比特币价格预测方法

相较于传统金融产品,比特币价格更容易受到情绪的影响而展现出更高的波动性,为此价格预测具有极高的研究价值。为提高比特币价格预测的精准度,文章在预测模型中引入情绪指标,构建融合情绪分析和Informer-ARIMA模型的预测方法。从多维度分析价格时间序列的随机波动、循环变化、周期变化等变化规律,对比特币的价格进行有效预测。测试结果表明,融合情绪分析的Informer-ARIMA模型性能更优,验证了所提方法的可行性和有效性。

基于小波分析的Arima-Transformer组合模型的比特币价格预测

金融商品价格作为一种经典的时间序列,其变化通常表现为非线性、非平稳性及高波动性,使用单一的模型较难实现对金融商品价格的准确预测。文章基于小波分析建立ARIMA-Transformer组合模型,从不同维度分析时间序列的随机波动、循环变化、周期变化等变化规律,对比特币的价格进行时间窗口滚动式预测,预测结果与实际的比特币价格走势大致相同,表明该模型可作为交易者的参考投资模型。