《Optik》：Evaluating Short Term Financial Marketing Bitcoin Prediction: A Comparative Analysis of Large-Kernel Attention Graph Convolutional Networks across Various Prediction Horizon
编辑推荐：
基于Large-Kernel Attention Graph Convolutional Network（LAGCN）与Nutcracker优化算法（NOA）的混合模型BP-ST-LAGCN-NOA在比特币短期预测中表现优异，准确率达99.64%，显著优于传统机器学习与深度学习方法。
Mohideen AbdulKader M|Sudhansu Sekhar Nanda|K. Sampath|D. Barani
计算技术系，SRM科学与技术学院，Kattankulathur，Chengalpattu，Tamilnadu
摘要
如今最受欢迎的投资资产之一是比特币。比特币价格的金融市场波动性吸引了研究人员和投资者的关注，他们都在研究比特币价格波动的机制。本文提出了一种评估方法：短期金融营销比特币预测：跨不同预测时间范围的的大核注意力图卷积网络比较分析（BP-ST-LAGCN-NOA），用于短期比特币市场预测。然后将预处理后的数据输入到大核注意力图卷积网络（LAGCN）中，以有效预测比特币市场。LAGCN没有采用自适应优化策略来确定预测比特币市场的最佳因素，因此采用了Nutcracker优化算法（NOA）来优化大核注意力图卷积网络的权重参数。随后，将提出的BP-ST-LAGCN-NOA模型用Python实现，并分析了准确率、精确度、召回率、特异性、F1分数和ROC等性能指标。BP-ST-LAGCN-NOA模型的准确率为99.64%，精确率为99.21%，召回率为99.18%，F1分数为98.14%，特异性为98.47%，优于所有基线方法。BP-ST-LAGCN-NOA模型在短期比特币市场预测方面表现出卓越的准确性和鲁棒性，优于现有的机器学习（ML）和深度学习（DL）方法。
引言
作为第一种加密货币，比特币自推出以来由于其多种原因（包括宏观经济趋势、技术突破和法律变化[31]）价格波动显著。文中显示了比特币当前的价格及其过去的变化百分比。比特币的短期价格预测持续引发专家、爱好者和投资者的兴趣[7]。自2008年Nakamoto宣布比特币区块链以来，从业者和公众越来越关注其显著的分布式数据处理能力。根据其原始定义，比特币是一种独特的代币加密货币，在比特币区块链上作为对成功记录账本的矿工的支付手段进行交易[21]，[22]。由于比特币能够与其他商品（如股票、黄金和原油）以及传统货币（如美元和英镑）一起交易，它在开放金融市场中越来越受欢迎[27]。与其他商品相比，比特币的价格波动性非常显著。为了利用比特币的价格波动性，投资者向比特币市场投入了大量资金[16]。为了帮助投资者决定是买入还是卖出比特币，比特币价格预测模型非常受欢迎。这些模型预计能够提供关于比特币价格是上涨还是下跌的建议[13]。然而，比特币价格预测方法很难理解价格变动背后的原因；通常这需要精心设计的特征。最基本的比特币价格预测算法仅旨在预测总体趋势[11]。趋势预测结果只能为投资者提供有限的信息；投资者总是寻求更精确和详细的价格建议，以便他们可以进一步研究价格变化对其资产的确切影响。例如，如果趋势预测算法表明价格将下跌，投资者可能会恐慌并卖出所有比特币[3]。另一方面，如果投资者认为价格只会小幅下跌，他们可能会决定等待未来的反弹，而不是冒险损失资产。尽管如此，很少有模型关注精确的价格预测难度来预测比特币的价值[33]。要了解比特币在不久将来的走向，需要一种考虑技术和基本面因素的复杂方法。在技术分析中，主要分析过去的市场数据（尤其是成交量和价格）来预测未来的价格走势[15]，[6]。最近几周比特币的价格显示了整合、突破等价格走势或模式，表明交易者的情绪是看涨/看跌/中立。就基本面而言，许多重要因素影响比特币的价格[14]。比特币的价格容易受到监管发展的影响，特别是那些影响其作为主要经济体中法定货币或投资资产地位的因素[24]。此外，投资者对加密货币（如比特币）的看法深受宏观经济趋势的影响，包括通货膨胀率、中央银行政策和地缘政治事件[2]，[29]。除了这些变量外，技术发展和采用率也预示着比特币的近期未来。交易所交易基金和机构投资是将比特币融入更传统金融机构的两种方式，这两种发展都可能在未来支撑比特币的价格[20]，[5]。鉴于这些因素，在对比特币价格进行短期预测时需要谨慎行事，因为市场仍然非常不稳定，容易突然波动[30]。为了进行预测，分析师通常使用技术分析工具、基本面数据和市场情绪分析。在接下来的部分中，将讨论用于预测比特币短期价格的方法和模型的优点和缺点[26]，[28]。
尽管许多研究利用机器学习（ML）和深度学习（DL）技术探索了比特币市场预测，但仍存在一些局限性。以往的研究主要依赖于技术或基于区块链的特征，这些特征往往无法捕捉异构数据源之间的复杂依赖关系。混合模型提高了预测准确性，但它们对噪声非常敏感，缺乏泛化能力，在波动的市场条件下表现不佳。虽然深度学习模型表现出强大的性能，但它们通常计算成本高，可扩展性有限，并且未能有效平衡训练效率和适用性。此外，现有研究很少结合交叉验证或复杂性分析，这使得评估模型稳定性和实际部署可行性变得困难。比特币市场的波动性和复杂性要求预测模型能够准确捕捉多源依赖关系，同时确保计算效率和实时应用的鲁棒性。
为了解决上述挑战，所提出的模型通过结合先进的图卷积技术和基于优化的混合框架，提供了一种新的短期比特币市场预测方法。与传统依赖单一数据源的模型不同，该方法利用多源数据（包括财务指标、区块链指标和市场情绪）来捕捉加密货币市场的复杂和动态行为。LAGCN的使用使该方法能够有效学习数据中的时间和空间依赖关系，而NOA的结合确保了参数的最佳调整，提高了预测准确性和模型效率。这种混合设计使模型在准确性、鲁棒性和计算性能方面优于现有方法，提供了更可靠的市场预测。
以下是本工作的主要贡献总结：
•开发了一种基于LAGCN的模型，在短期比特币市场预测方面取得了显著的准确性改进。
•BP-ST-LAGCN-NOA框架表现出很强的鲁棒性，在高度动态的加密货币市场中提供了可靠和精确的预测。
•本研究介绍了一种将LAGCN与NOA结合的新型混合架构，并在全面的多源数据集上进行了系统评估，其性能优于现有的最先进方法。
•所提出的方法在Python平台上实现，允许实际部署，并将其性能与经典和先进的基线模型进行了基准测试，以证明其有效性。
•广泛的比较表明，BP-ST-LAGCN-NOA模型在准确性、精确度、召回率和计算效率方面超过了之前的方法，如ST-BMP-LSTM、BDP-BTP-SVM和HI-BPP-SVR，证实了其在实时比特币市场预测中的优越性。
其余部分的安排如下：第2节阐述了文献综述；第3节描述了所提出的技术；第4节展示了结果并进行了讨论；第5节给出了结论。
部分摘录
文献综述
文献中的许多研究工作都是关于比特币市场的深度学习（DL）预测；其中一些研究如下：
Jaquart等人[12]使用各种ML方法研究了1到60分钟时间间隔内的比特币市场预测能力。他们发现，虽然每个模型都优于随机分类器，但循环神经网络和梯度提升分类器获得了最佳结果。结果表明，技术特征发挥了最大作用
提出的方法
本节提出了BP-ST-LAGCN-NOA模型，这是一种专为评估不同预测时间范围内的短期比特币市场预测而设计的大核注意力图卷积网络。使用预处理来准备数据以供提出的短期比特币预测框架使用。然后使用LAGCN预测短期比特币市场。接着使用Nutcracker优化算法改进LAGCN模型的参数。
结果与讨论
所提出的BP-ST-LAGCN-NOA模型使用Python 3.7和pandas、numpy、Keras、NLTK、Google Natural Language API、XGBoost和scikit-learn等库实现。神经网络和XGBoost使用了GPU加速（Nvidia GTX 1080），而其他方法则在Intel Core i7-7700 CPU上进行训练。数据集来自2019年3月4日至2019年12月10日的Bloomberg、Twitter和Blockchain.com，包括比特币、黄金、石油和市场指数的分钟级价格数据
结论
在这项研究中，使用从Bloomberg、Twitter和Blockchain.com收集的实际数据集实现了所提出的BP-ST-LAGCN-NOA模型，以应对短期比特币市场预测的挑战。通过广泛的实验，该模型明显优于传统的和先进的基线模型，如ST-BMP-LSTM、BDP-BTP-SVM和HI-BPP-SVR。由于模型能够捕捉复杂的时间-空间依赖关系，预测准确性显著提高
伦理批准
本文不包含任何作者进行的涉及人类参与者的研究。
资金信息
本研究未获得公共、商业或非营利部门的任何特定资助
CRediT作者贡献声明
D. Barani：监督。M MohideenAbdulKader：撰写——原始草稿。Nanda SudhansuSekhar：监督。K. Sampath：监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作
