Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

1 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

1 2024

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Evaluating the performance of bitcoin price forecasting using machine learning techniques on historical data

100%

Ahmed M. , Suha S. A. , Mahi F. H. , Ahmed F. U.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

tom T. 14, nr 2

101--108

Since entering the market in 2009, Bitcoin has had a price that is extremely erratic. Its price is influenced by factors such as adoption rates, regulatory changes, geopolitical occurrences, and macroeconomic developments. Experts believe that Bitcoin's price will rise in the long run due to limited supply and rising demand. Therefore, the aim of this study is to propose an ensemble feature selection and machine learning-based approach to predict bitcoin price. For this research purpose, the cryptocurrency-based dataset has been used, visualized, and preprocessed. Five different feature selection approaches (Pearson, RFE, Embedded Random Forest, Tree-based and Light GBM) are followed by ensemble methodology, with the maximum voting approach to extract the most significant features and generate a dataset with reduced attributes. Then the dataset with or without feature selection is used for bitcoin price prediction by applying ten different machine learning regressing models, which includes six traditional, four bagging and boosting ensemble techniques. The comparative result analysis through multiple performance parameters reveals that the decreased number of features improves the performance for each of the models and the ensemble models outperform other types of models. Therefore, Random Forest regression ensemble ML model can get the best prediction accuracy with 0.036018 RMSE, 0.029470 MAE and 0.934512 R2 employing the dataset with reduced features for estimating the value of bitcoin.

Od momentu wejścia na rynek w 2009 roku, cena Bitcoina jest niezwykle nieregularna. Na jego cenę wpływają takie czynniki, jak wskaźniki popularności, zmiany regulacyjne, wydarzenia geopolityczne i zmiany makroekonomiczne. Eksperci uważają, że cena Bitcoina wzrośnie w dłuższej perspektywie ze względu na ograniczoną podaż i rosnący popyt. Dlatego też celem niniejszego badania jest zaproponowanie podejścia opartego na selekcji cech i uczeniu maszynowym do przewidywania ceny bitcoina. Do tego celu badawczego wykorzystano, zwizualizowano i wstępnie przetworzono zbiór danych oparty na kryptowalutach. Zastosowano pięć różnych podejść do wyboru cech (Pearson, RFE, Embedded Random Forest, Tree-based i Light GBM), a następnie metodologię ensemble, z podejściem maksymalnego głosowania w celu wyodrębnienia najważniejszych cech i wygenerowania zbioru danych ze zredukowanymi atrybutami. Następnie zbiór danych z lub bez selekcji cech jest wykorzystywany do przewidywania cen bitcoinów poprzez zastosowanie dziesięciu różnych modeli regresji uczenia maszynowego, w tym sześciu tradycyjnych, czterech technik baggingu i boostingu. Analiza porównawcza wyników za pomocą wielu parametrów wydajności pokazuje, że zmniejszona liczba cech poprawia wydajność każdego z modeli, a modele zespołowe przewyższają inne typy modeli. W związku z tym model Random Forest regression ensemble ML może uzyskać najlepszą dokładność przewidywania z 0,036018 RMSE, 0,029470 MAE i 0,934512 R2, wykorzystując zbiór danych ze zredukowanymi funkcjami do szacowania wartości bitcoinów.