深度学习驱动的比特币价格预测：LSTM在时间序列分析中的优势

本文主要探讨了基于深度学习的方法在比特币价格预测领域的应用。比特币作为一种流行的加密货币，其价格波动性吸引了众多投资者的关注，可以视为一个时间序列数据的股票市场。研究者针对比特币每分钟的价格数据，通过一系列技术手段进行处理，如最小-最大归一化（min-max normalization），这是一种数据预处理方法，用于将数据缩放到固定范围内，便于模型训练。此外，他们还采用了Adam优化器，这是一种自适应学习率优化算法，能帮助模型更快地收敛到最优解。 研究者采用的数据集包括56,832个比特币价格点，这些数据经过重新排列反映了以小时为单位的比特币价格。他们构建模型的目标是利用过去24小时的数据来预测下个小时的比特币价格，这体现了时间序列分析在金融预测中的应用。在深度学习模型选择上，作者比较了多层感知器（Multi-Layer Perceptron, MLP）和门控循环网络（Gated Recurrent Unit, GRU）以及长短期记忆网络（Long Short-Term Memory, LSTM）。 结果表明，由于缺乏记忆能力，MLP在基于当前趋势预测比特币价格时表现不佳。相比之下，LSTM因其设计能够有效处理序列数据并捕捉长期依赖性，因此在考虑到历史记忆的情况下，显示出相对更好的预测性能。GRU作为LSTM的一种简化版本，可能在某些场景下也能提供不错的结果，但LSTM的优越性在于其对长期依赖的保留能力。 该研究发表在《数学金融杂志》（Journal of Mathematical Finance）上，2020年10期，132-139页，ISSN号在线2162-2442，印刷版2162-2434。研究者Xiangxi Jiang来自宁波的巴斯特伍德学校，他们的工作提供了深度学习在比特币价格预测中的实用洞察，对于理解和预测加密货币市场动态具有一定的参考价值。