Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2022

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: pamięć długo-krótkotrwała

Sortuj według:

Ogranicz wyniki do:

How many neurons are needed to make a short-term prediction of the Bitcoin exchange rate?

Frontczak Michał, Hachaj Tomasz

Technical Transactions

2022

Vol. 119, iss. 1

art. no. e2022011

The goal of our work was to select a neural network architecture that would give the best prediction of the Bitcoin exchange rate using historical data. Our work fits into the very important topic of predicting the value of the cryptocurrency exchange rate, and makes use of recent data which, as a result of the high Bitcoin exchange rate dynamics of the last year, differs significantly from those of previous years. We propose and test a number of neural network-based architectures and conduct a discussion of the results. Unlike previous state of-the-art works, we conducted a comprehensive comparison of three different neural network-based models: MLP (multilayer perceptron), LSTM (long short-term memory) and CNN (convolutional neural network). We tested them for a wide range of parameters. The results we present are, to the best of our knowledge, the most up to date when it comes to the application of artificial intelligence methods for the prediction of cryptocurrency exchange rates. The best-performing architectures were used for a website that gives real-time predictions of the Bitcoin exchange rate. The website is available at http://stpbtc-ii.up.krakow.pl/. Source codes of our research are available to download in order to make our experiment reproducible.

Celem naszej pracy było stworzenie architektury sieci neuronowej, która przy wykorzystaniu danych historycznych pozwalałaby na dokładną predykcję kursu Bitcoin. Nasza praca wpisuje się w bardzo ważny temat przewidywania wartości kursu kryptowaluty. Niemniej istotny jest fakt, że w naszej pracy wykorzystujemy najnowsze dane, które z powodu dużej dynamiki kursu Bitcoin w ostatnim roku znacznie różnią się od danych z lat wcześniejszych. Proponujemy i testujemy kilka architektur opartych na sieciach neuronowych oraz przeprowadzamy dyskusję wyników. W odróżnieniu od poprzednich prac, przeprowadzamy wszechstronne porównanie trzech różnych modeli opartych na sieciach neuronowych: MLP (multilayer perceptron), LSTM (long short-term memory) i CNN (convolutional neural network). Przetestowaliśmy je dla szerokiego zakresu parametrów. Przedstawione przez nas wyniki są, według naszej wiedzy, najbardziej aktualnymi, jeśli chodzi o zastosowanie metod sztucznej inteligencji do przewidywania kursów kryptowalut. Najlepiej działająca architektura została wykorzystana na stronie internetowej, która w czasie rzeczywistym prognozuje kurs Bitcoina. Strona ta jest dostępna pod adresem http://stpbtc-ii.up.krakow.pl/. Kody źródłowe naszych badań są dostępne do pobrania w celu umożliwienia odtworzenia naszego eksperymentu.