cryptocurrency markets
PulseAugur coverage of cryptocurrency markets — every cluster mentioning cryptocurrency markets across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的QS-TCN方法使用波动性记忆对时间序列进行排序
研究人员开发了QS-TCN,这是一种通过分析波动性记忆来对多元时间序列进行排序的新颖方法。该方法结合了波动性持续性的统计估计和时间卷积学习,以揭示条件均值中不明显的时间关系。与现有方法相比,QS-TCN在金融和功能性磁共振成像的合成数据集和基准测试中表现出优越的性能,并为市场动态提供了见解。
-
新框架探索光量子神经网络用于金融市场预测
研究人员开发了 Q-PhotoMarket,这是一个旨在探索用于金融市场预测的光子混合量子神经网络 (HQNN) 的广阔设计空间的框架。该框架系统地评估了美国、印度和加密货币市场中超过 5,000 种不同的光子配置,包括输入状态、电路架构和测量策略。研究发现了持续的架构模式,并确定了可与经典机器学习基线相媲美的稳健的高性能设计,同时还纳入了在数据不平衡条件下可靠评估的方法。
-
TradingMoE模型通过更智能的专家路由增强LLM交易 · 跟踪2个来源
研究人员开发了TradingMoE,这是一种新颖的稀疏专家混合(MoE)模型,专为金融分析和交易而设计。该模型通过引入查询-键(Query-Key)路由器来解决现有基于LLM的交易系统的局限性,该路由器能更好地将代币专业知识与市场背景相匹配,并引入一种更新非活动专家的机制。实验表明,TradingMoE在股票和加密货币市场中显著优于22个基线模型,累积回报提高了30%以上。
-
新研究通过新颖模型和基准推动时间序列预测发展
研究人员正在开发时间序列预测的新方法,重点是提高准确性和鲁棒性。几篇论文介绍了新颖的注意力机制和模型架构,旨在更好地捕捉复杂依赖关系(包括正负关系),并处理非平稳性和有限数据。还提出了新的基准和评估框架,以严格评估这些进展,并识别金融和一般时间序列预测中的特定失败模式。