用于预测加密货币价格的基于注意力 Transformer + GRU 的新型混合模型
机器学习
2025-05-01 v2 应用统计
摘要
本文介绍一种新型深度学习混合模型，将注意力 Transformer 与 Gated Recurrent Unit (GRU) 架构集成，以提高加密货币价格预测的准确性。通过将 Transformer 在捕捉长程模式方面的优势与 GRU 在建模短期和序列趋势方面的能力相结合，该混合模型提供了一种全面的时间序列预测方法。我们将该模型应用于预测比特币和以太坊的每日收盘价，基于包括过去价格、交易量以及恐惧与贪婪指数在内的历史数据。我们通过与四个其他机器学习模型进行比较来评估我们提出的 model 的性能：两个是非序列前馈模型：径向基函数网络 (RBFN) 和通用回归神经网络 (GRNN)，两个是双向序列记忆模型：双向长短期记忆 (BiLSTM) 和双向 Gated Recurrent Unit (BiGRU)。该 model 的性能通过多个指标进行评估，包括均方误差 (MSE)、均方根误差 (RMSE)、平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE)，并通过非参数 Friedman 检验后跟随事后 Wilcoxon 符号秩检验进行统计验证。结果表明，我们的混合模型 consistently 实现了 superior 准确性，凸显其在金融预测任务中的有效性。这些发现为改进加密货币市场的实时决策提供了有价值的见解，并支持混合深度学习模型在金融分析中的应用。
引用
@article{arxiv.2504.17079,
title = {A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices},
author = {Esam Mahdi and C. Martin-Barreiro and X. Cabezas},
journal= {arXiv preprint arXiv:2504.17079},
year = {2025}
}