基于ARIMA的比特币价格预测

 

众所周知比特币是一种加密货币，它利用货币的分散化 管理中央银行。这样就可以在不需要的情况下实现对等交易 任何中间人。比特币是作为奖励获得的 验证交易，或通过加密货币交易进行交易。截至2018年，大约有1,500个加密资产在流通中，比特币是最多的 在所有加密市场上广泛交易。目前有1680万比特币 交易上限为2100万。而且，在2017年的比特币 价格在2017年12月飙升至25,000澳元，然后下跌至下方 2018年4月10,000澳元证明其高波动性。这为开发机器学习提供了机会 用于预测未来的比特币价格，并评估哪种方法产生的最多 准确的结果。 对于这的实验，我们获得了几个澳元交易所的比特币价格 作为BTC和LocalBTC并提取每日价格走势，并建立两台机器 学习模型长期短期记忆（LSTM）和自动回归综合 移动平均线（ARIMA）。然后使用模型来预测未来的结果和 比较哪种方法产生最佳输出。

在前人之上已经进行了许多研究以开发机器学习模型 预测比特币价格，从线性回归模型，支持向量回归，时间 - 系列模型，以及深度学习模型。每个模型都经过了努力测试 确定哪个表现出最佳表现。 S. Mehrmolaei和M. Keyvanpour（S. Mehrmolaei，2016）进行了 两个时间序列数据集，纽约市出生和美国移民的实验并评估标准ARIMA与最佳之间的性能 自回归，差分和移动平均配置。结果证明标准ARIMA从低均方根预测可靠结果误差（RMSE)和平均误差(MAE),同时改进了ARIMA模型 产生了更低的RMSE和MAE结果。实验证明了适用性 ARIMA用于时间序列数据建模和预测。T. Guo和N. Antulov-Fantulin进行了另一种选择 实验方法,开发和测试多个回归模型 相互对抗，模型范围从标准和转换 ARIMA时间序列模型,用于集合决策的模型,如随机森林 和梯度增强.总体结果显示产生了整体树木 最小错误级别。 然而，ARIMA依赖于数据中的线性假设，而比特币则是 高度非线性的。 S. McNally（S. McNally，2018），主要关注的焦点是 RNN和LSTM进行了一项实验，比较了预测性能 ARIMA模型发现这些产生了最不准确的结果。这突出了 需要使用更复杂的技术来预测比特币价格。实验 将问题设计为预测增加，减少或不增加的分类任务 连续比特币价格的变动。总体结果表明LSTM提供了最好的 性能虽然准确率为52.78％。进一步测试LSTM对金融股的影响 市场由S. Liu等人进行。 （S. Liu，2018），展示了如何配置 正确的隐藏层结构可以返回更准确的结果。实验 当改变LSTM模型的隐藏层时，显示出提高的准确性 层到三层。 Geourgoula等人进行的实验。 （I. Geourgoula，2015）调查 预测比特币价格行为同时也实施的重要属性 使用支持向量机（SVM）进行情绪分析。调查结果显示了 维基百科的观点数量，以及比特币哈希率导致积极的 与比特币价格的相关性。马塔等人也研究了人在比特币价格走势上的影响，但结果只表现出弱势相关。