机器学习在股票和加密货币预测中的应用：技术分析与比较

机器学习技术，例如 ANN、SVM 或决策树，可以从历史数据中学习股票或加密货币回报的趋势。它们可以提供重要的信息和历史回报分析。Bernal 等人（2012）应用了一种称为 Echo State Network 的 RNN 来预测标普 500 股票价格，使用了一些技术指标如移动平均线作为输入。该研究提出的技术在测试误差统计方面优于作为基准的卡尔曼滤波器。作者使用了 50 个不同的金融数据集并报告了预测结果。

Ballings 等人（2015）比较了 ANN、逻辑回归（LR）、SVM 和 k 最近邻等分类器与 AdaBoost 和 RF 的性能。他们报告随机森林算法是基于曲线下面积（AUC）和交叉验证指标预测股票价格运动的最佳选择。

Borges 和 Neves（2020）研究了 Binance 最活跃的 100 个加密货币价格，使用回报和一些技术指标作为输入。作者将其视为分类问题，应用逻辑回归、随机森林、支持向量机、梯度树提升和上述算法的集成。

Chen 等人（2020）使用 5 分钟和每日的比特币价格指数和美元交易价格来测量 LR、线性判别分析（LDA）、RF、ANN、LSTM 和 XGBoost 算法的性能。四个区块链信息变量、交易变量、Google 趋势搜索量指数和黄金现货价格被用作输入特征。作者报告了 LSTM 模型在 5 分钟数据中具有最高的 67% 的准确度水平，而 LR 和 LDA 在每日数据中具有最高的 65% 的准确度水平。

Sun 等人（2020）使用 42 种加密货币的每日数据，并应用轻梯度提升机（GBM）、SVM 和 RF 来预测价格的运动。Sun 等人（2020）报告轻 GBM 在准确性表现指标上优于其他 ML 技术。