dự đoán giá tiền điện tử so sảnh độ chính xác mô hình máy học đề tài môn big data

Điều này đã thúc đây sự quan tâm và nghiên cứu vẻ tiền điện tử, với mong muốn hiểu rõ hơn về biến động, tính không dự đoán được, và tác động của chúng trong môi trường tài chính.. e Kha

CHUONG 1: TONG QUAN DE TAI 1.1 Ly do chon dé taiMục đích

Các nghiên cứu trước đây về dự đoán giá tiền điện tử chủ yếu tập trung vào tính khả thi của các kỹ thuật mô hình khác nhau, đặc biệt là machine learning Mục đích là để hỗ trợ các quyết định đầu tư sáng suốt trong thị trường tiền điện tử biến động Nghiên cứu phân loại giá tiền điện tử thành giá hàng ngày và giá tần suất cao.

20 sử dụng các bộ tính năng khác nhau dựa trên cấu trúc dữ liệu và tính chiều của từng loại giá

Nghiên cứu này tập trung so sánh hiệu suất của nhiều mô hình học sâu, bao gồm: GRU, LSTM, Bi-LSTM, Bi-LSTM with Dropout, SVR và RFR, trong nhiệm vụ dự đoán tỷ giá của tiền điện tử Bằng cách đánh giá chi tiết mỗi mô hình, nghiên cứu sẽ cung cấp thông tin có giá trị về khả năng dự đoán của chúng, góp phần nâng cao hiểu biết về tiềm năng của học sâu trong bối cảnh biến động và phức tạp của thị trường tiền điện tử.

Nghiên cứu tập trung vào dự đoán giá Bitcoin (BTC) bằng các thuật toán trí tuệ nhân tạo GRU, LSTM, Bi-LSTM, Bi-LSTM với Dropout, SVR, RFR để đảm bảo độ chính xác LSTM là mô hình tối ưu, nhưng để khắc phục vấn đề độ chính xác, nghiên cứu áp dụng các mô hình LSTM chuyên sâu hơn như GRU để đơn giản hóa kiến trúc nhưng vẫn đảm bảo hiệu suất LSTM đóng vai trò quan trọng trong dự đoán giá tiền điện tử như Bitcoin vì cấu trúc mạng thần kinh đệ quy giải quyết vấn đề biến mất gradient, cho phép xử lý hiệu quả dữ liệu chuỗi và phân tích hành vi giá lịch sử.

Các nhà nghiên cứu thường kết hợp các lớp LSTM và GRU để tận dụng lợi thế của cả hai, tăng cường khả năng của mô hình trong việc đối mặt với các thách thức trong dự đoán giá tiền điện tử và cải thiện độ chính xác của dự đoán Nhóm tập trung đặc biệt vào việc ứng dụng các mô hình AI tiên tiến cho Bitcoin, loại tiền điện tử phổ biến nhất, nhấn mạnh tầm quan trọng của dự đoán chính xác trong việc ra quyết định đầu tư và quản lý rủi ro trong thị trường tiền điện tử Cuối cùng, nghiên cứu có tiềm năng ứng dụng thực tế, đặc biệt là trong lĩnh vực đầu tư và quản lý rủi ro trong thị trường tiền điện tử, mang lại giá trị và độ chính xác cao cho dự đoán, hỗ trợ các doanh nghiệp trong quá trình ra quyết định.

Thuật toán trí tuệ nhân tạo và học máy có khả năng dự đoán giá tiền điện tử trong tương lai, mặc dù tính phức tạp và bản chất phi tuyến của giá cả gây ra những thách thức Tuy nhiên, giá trị thị trường tiền điện tử dự kiến ​​tăng trưởng với tốc độ CAGR 11,1% từ năm 2021 đến năm 2028 Để dự đoán giá chính xác, bài viết này áp dụng các thuật toán máy học khác nhau trên dữ liệu Bitcoin, bao gồm GRU, LSTM, Bi-LSTM, Bi-LSTM với Dropout, SVR và RFR Các mô hình này cung cấp dự đoán giá Bitcoin đáng tin cậy, cho phép các nhà đầu tư đưa ra quyết định có thông tin.

Các phương pháp tiếp cận mới đã được cải tiến để tăng độ chính xác trong dự báo so với các nghiên cứu trước đây Một kỹ thuật đáng tin cậy được cung cấp để dự báo giá Bitcoin trong tương lai bằng cách sử dụng dữ liệu lịch sử tiền điện tử Tính khả thi của việc dự báo các đồng tiền điện tử nhỏ hơn được đánh giá, vốn thường dễ biến động và có thể bị ảnh hưởng bởi các yếu tố khó dự đoán, làm tăng thêm khó khăn trong việc dự báo giá Ý tưởng cốt lõi đằng sau các mô hình học sâu được đề xuất là đạt được các mô hình dự báo giá đáng tin cậy mà các nhà đầu tư và nhà đầu cơ tiền điện tử có thể dựa vào dữ liệu lịch sử để đưa ra các dự đoán đầu tư tốt nhất.

Nghiên cứu này hỗ trợ doanh nghiệp đưa ra dự đoán chính xác về tác động của biến động thị trường, tối ưu hóa quản lý danh mục đầu tư trong bối cảnh tài chính toàn cầu Nghiên cứu so sánh hiệu quả của các mô hình để doanh nghiệp lựa chọn phương án tối ưu nhất trong tương lai Nhóm nghiên cứu cũng tìm cách giải quyết các câu hỏi sau: "Thuật toán học máy có thể hỗ trợ nhà đầu tư ra quyết định dự đoán giá tiền điện tử như thế nào?".

“Mô hình tốt nhất đề dự đoán giá trị bitcoin trong tương lai là gi?”

1.4 Tính mới của bài báo cáo

Bài báo cáo này tập trung vào việc áp dụng mô hình học sâu để dự đoán giá điện tử với độ chính xác cao, một khía cạnh quan trọng đối với cả nhà đầu tư và nghiên cứu Để nâng cao chất lượng nghiên cứu, nhóm đã thực hiện các bước sau: thống nhất phương pháp thu thập dữ liệu, huấn luyện mô hình và đánh giá kết quả Nhóm sử dụng các phương pháp thu thập dữ liệu, huấn luyện mô hình và đánh giá kết quả nhất quán để tạo ra một cơ sở để so sánh giữa các mô hình khác nhau, đảm bảo tính tin cậy và độ chính xác của nghiên cứu.

23 Điều này giúp dam bảo tính nhất quán và khả năng so sánh đễ dàng hơn giữa các kết quả nghiên cứu

Bài báo cung cấp tổng quan về thị trường tiền điện tử, tập trung vào tầm quan trọng của việc dự đoán giá Để nâng cao khả năng dự đoán, nhóm đề xuất sử dụng các mô hình học máy bao gồm GRU, LSTM, Bi-LSTM, Bi-LSTM với bỏ học (Dropout), SVR và RFR Các mô hình này đã chứng minh hiệu suất mạnh mẽ trong việc phân tích và dự đoán các mẫu phức tạp, giúp các nhà đầu tư và nhà giao dịch đưa ra quyết định sáng suốt hơn.

Nhóm nghiên cứu đã tiến hành so sánh hiệu suất của 6 mô hình khác nhau gồm: GRU, LSTM, Bi-LSTM, Bi-LSTM with Dropout, SVR và RFR Mục đích của việc so sánh này là xác định mô hình nào mang lại kết quả tối ưu nhất trong việc dự đoán giá tiền điện tử.

Nhóm nghiên cứu đã đưa ra dự đoán giá Bitcoin từ năm 2020 đến năm 2023 và đánh giá độ chính xác của các mô hình dự đoán trong giai đoạn này Nhóm đánh giá các mô hình dựa trên nhiều chỉ số khác nhau, như Root Mean Square Error (RMSE) và Mean Absolute Percentage Error (MAPE), để đánh giá hiệu suất của chúng Phương pháp đa chiều này giúp hiểu rõ hơn về khả năng dự đoán và độ ổn định của từng mô hình.

Nhờ đó, Nhóm thực hiện xây dựng bài báo cáo có cấu trúc rõ ràng theo từng mục, giúp người đọc dễ dàng theo dõi và nắm bắt được quá trình nghiên cứu cũng như kết quả thu được.

Theo các phân tích và giả định trong lĩnh vực tài chính, thị trường bitcoin có khả năng dự đoán mặc dù tính phi tuyến tính trong dữ liệu chuỗi thời gian của thị trường tiền điện tử gây ra thách thức trong việc tạo ra các dự đoán giá chính xác Những thách thức này phát sinh từ bản chất riêng biệt của dữ liệu chuỗi thời gian, khiến việc đánh giá tính phi tuyến tính trở nên khó khăn.

24 kỹ thuật phân tích lý thuyết đầu tư được sử dụng để dự đoán trực tiếp giá Bitcoin bằng cách nghiên cứu dữ liệu thị trường Bitcoin trong quá khứ Các kỹ thuật này giúp xác định xu hướng và mẫu hình của giá Bitcoin, từ đó nhà đầu tư có thể đưa ra dự đoán về hướng đi tương lai của giá.

Bài báo này tập trung vào việc so sánh các mô hình dự báo giá tiền điện tử để xác định mô hình phù hợp nhất cho từng nhu cầu cụ thể Bằng cách đánh giá các mô hình học sâu như GRU, LSTM, Bi-LSTM, Bi-LSTM với Dropout, SVR và RFR, nghiên cứu này hỗ trợ nâng cao độ chính xác trong dự đoán giá tiền điện tử.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1 Khái niệm Học máy (machine learning)

Học máy, một nhánh của trí tuệ nhân tạo, tập trung vào việc khám phá và phát triển các kỹ thuật giúp hệ thống máy tính học tự động từ dữ liệu để giải quyết các vấn đề cụ thể.

Thuật toán học máy xây dựng mô hình dự đoán hoặc ra quyết định dựa trên dữ liệu huấn luyện mà không cần lập trình chi tiết Học máy có liên quan chặt chẽ với suy diễn thống kê nhưng tập trung vào độ phức tạp của thuật toán trong quá trình tính toán Là nhánh của học máy, học sâu đạt được kết quả vượt trội so với các phương pháp học máy khác Do nhiều bài toán suy luận thuộc loại NP-khó, học máy tập trung nghiên cứu phát triển các thuật toán suy luận gần đúng để xử lý được những bài toán này.

Dữ liệu chuỗi thời gian - Time-series

Dữ liệu chuỗi thời gian là tập hợp các điểm dữ liệu được thu thập theo các khoảng thời gian đều đặn Các điểm dữ liệu này có thể đại diện cho bất kỳ loại biến nào như giá cả, số lượng hoặc chỉ số Dữ liệu chuỗi thời gian giúp theo dõi sự biến động của một biến theo thời gian và dự đoán các giá trị của biến đó trong tương lai.

Một số ví dụ về dữ liệu chuỗi thời gian bao gồm: e_ Giá cô phiếu hàng ngày ndustrial Average (*DJI)

Hình 1 e - Dữ liệu chuỗi thời gian cho giá cô phiếu hàng ngày e_ Số lượng người truy cập trang web mỗi ngày e Nhiệt độ trung bình hàng ngày

Các loại dữ liệu chuỗi thời gian chính bao gồm: e - Dữ liệu tuyến tính: Dữ liệu tuyến tính là dữ liệu tuân theo một đường thăng

Dữ liệu tuyến tính thường dễ dự đoán hơn dữ liệu phi tuyến extrapolation

Hinh 2 e - Dữ liệu chuỗi thời gian tuyến tính

Dữ liệu phi tuyến không tuân theo đường thẳng, khiến việc dự đoán trở nên khó khăn hơn so với dữ liệu tuyến tính.

Dữ liệu nhiễu là dữ liệu chứa các lỗi hoặc sai sót, làm cản trở việc dự đoán dữ liệu chính xác Loại dữ liệu này thường khiến các thuật toán học máy khó học được các mẫu chuẩn xác trong dữ liệu, dẫn đến kết quả dự đoán kém.

Hình 4 e_ Dữ liệu chuỗi thời gian nhiễu MinMaxScaler

MinmaxScaler là một kỹ thuật chuẩn hóa dữ liệu thường được sử dụng trong tiền xử lý dữ liệu Kỹ thuật này chia tỷ lệ mỗi đặc trưng riêng biệt để chúng nằm trong một phạm vi cụ thể, chẳng hạn như giữa 0 và 1 Giá trị tối thiểu ban đầu được ánh xạ đến 0, giá trị tối đa ban đầu được ánh xạ đến 1 và các giá trị khác được nội suy tuyến tính giữa hai giá trị cực đại và cực tiểu này.

Điều chỉnh siêu tham số đóng vai trò quan trọng trong mô hình học máy, cho phép tối ưu hóa hiệu suất bằng cách lựa chọn bộ siêu tham số phù hợp Quá trình này tự động ngăn ngừa tình trạng quá khớp trên các tập dữ liệu huấn luyện, giúp đơn giản hóa và tiết kiệm đáng kể thời gian dành cho việc huấn luyện mô hình.

Sai số bình phương trung bình gốc (RMSE)

Sai số bình phương trung bình gốc (RMSE) là thước đo phổ biến để đánh giá độ chính xác của dự đoán bằng số RMSE được tính bằng căn bậc hai của trung bình cộng các bình phương chênh lệch giữa giá trị dự đoán và giá trị thực Giá trị RMSE càng lớn, độ chính xác của dự đoán càng thấp.

SSEw = Tổng trọng số của bình phương sai số W= Tổng trọng lượng của quan thẻ N = Số lượng quan sát wi = Trọng số của quan sát thứ i ui = Sai số liên quan đến quan sát thứ i

Sai số tuyệt đối trung bình (MAE)

Sai số tuyệt đối trung bình (MAE) là chỉ số đo lỗi thay thế cho RMSE MAE có đặc điểm là thể hiện các thay đổi về lỗi theo kiểu tuyến tính, do đó dễ hiểu hơn so với RMSE Trong MAE, các lỗi có độ lớn khác nhau được coi trọng như nhau, và độ lớn của MAE tăng trực tuyến với số lỗi tăng lên MAE được tính bằng cách lấy giá trị trung bình của các sai số tuyệt đối.

Giá trị tuyệt đối của sai số (MAE) là một hàm toán học biến số âm thành số dương Sự sai lệch giữa giá trị dự đoán và giá trị thực tế có thể là dương hoặc âm Tuy nhiên, khi tính MAE, nó luôn được coi là dương Do đó, chỉ số MAE càng nhỏ thì mô hình sử dụng càng chính xác.

MAE = n › Ma i Trong đó: n: số lượng quan sát yi: giá trị thực tế của quan sát thứ i

$ù: giỏ trị dự đoỏn của quan sat tht i Hệ số xấp xỉ (R-squared (r2_score))

R2 score được tính bằng tống bình phương do hồi quy chia cho tổng bình phương

Thường được hiểu là tỷ lệ phần trăm biến thiên của biến phụ thuộc được giải thích bởi sự biến thiên của biến độc lập, giá trị R2 càng lớn thì độ chính xác của mô hình được sử dụng càng cao.

R°=1- - total sum of squares (SST) 1 “(ui — ô.)”

SSR (Hải quy tổng bình phương): tống của các só dư bình phương

SST (Tông bình phương): là tống khoảng cách từ dữ liệu đến giá trị trung bình, tất cá bình phương

Explained variance regression score là một hàm số đánh giá hiệu suất của mô hình hồi quy, cho biết tỷ lệ phương sai của biến phụ thuộc được giải thích bởi mô hình hồi quy Giá trị của explained variance regression score nằm trong khoảng từ 0 đến 1, với giá trị 1 biểu thị mô hình hoàn hảo giải thích được toàn bộ phương sai của biến phụ thuộc.

Điểm giải thích độ phân tán tương tự như điểm R^2, với điểm khác biệt đáng chú ý là nó không tính đến sự chênh lệch hệ thống trong dự đoán Do đó, điểm R^2 thường được ưu tiên hơn.

Var(y — 9) lained vari 9) =1~ expiaine variance(y gy) Var(y)

Var(y-ÿ): phương sai của lỗi dự đoán Var(y): phương sai giá trị thực

2.2 Các nghiên cứu trước 2.2.1 Khó khăn trong việc dự đoán giá Bitcoin:

Các nghiên cứu trước sử dụng các phương pháp phân tích chuỗi thời gian và học máy để dự đoán giá tiền điện tử phải đối mặt với nhiều thách thức do số lượng lớn các biến liên quan; việc hiểu và thao tác với chúng đòi hỏi các kỹ thuật phức tạp Trong khi nhiều mô hình như Mạng lưới nơ-ron nhân tạo (ANN), Rừng ngẫu nhiên (RF), Mô hình cây nhị phân tự hồi quỷ (BART), LSTM và GRU đã được khám phá, thì việc đánh giá hiệu suất của chúng một cách nhất quán là khó khăn do thiếu các chỉ số đánh giá chuẩn Khả năng tổng quát hóa của các thuật toán học sâu cũng là một mối quan tâm, làm nổi bật nhu cầu về các kỹ thuật tiên tiến hơn để đảm bảo độ tin cậy và hiệu quả của mô hình Các đặc điểm riêng biệt của tiền điện tử, chẳng hạn như bản chất phi tập trung và hành vi giao dịch độc đáo của chúng, đòi hỏi các mô hình chuyên biệt vượt ra ngoài khả năng áp dụng của các thuật toán học máy truyền thống được phát triển để dự đoán giá cổ phiếu Chất lượng dữ liệu và quá trình tiền xử lý dữ liệu cũng đóng một vai trò quan trọng trong việc xây dựng các mô hình dự đoán chính xác.

31 nhắn mạnh tầm quan trọng của dữ liệu chính xác và đại diện để dự đoán hiệu quả

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

3.1 Quy trình nghiên cứu - Bước I: Tìm key paper - Bước 2: Lấy đữ liệu - Bước 3: Xây dựng model, train model và dự đoán - Bước 4: Đánh giả hiệu suất

- Bước 5: Nghị luận 3.2 Cách thức lấy và sàng lọc dữ liệu

Tập dữ liệu được thu thập từ Yahoo Finance và tải về dưới định dạng CSV

Tép bao gém 6 cột: Ngày, Khối lượng, Giá cao nhát, Giá thấp nhát, Giá mở cửa, Giá đóng cửa

Đội nghiên cứu đã áp dụng hai kỹ thuật tiền xử lý khác nhau cho dữ liệu tiền điện tử trước khi nhập vào mô hình học máy Sau khi xử lý các giá trị khuyết thiếu bằng kỹ thuật ước lượng dữ liệu, dữ liệu được chuẩn hóa để phù hợp với các mô hình LSTM, Bi-LSTM, Bi-LSTM with Dropout, GRU, SVR và RFR.

Kỹ thuật cắt bỏ đơn giản được sử dụng trong tiền xử lý dữ liệu khi có các giá trị thiếu trong bộ dữ liệu Kỹ thuật này thay thế các giá trị khuyết thiếu bằng các giá trị quan sát được trước đó trong cùng một cột Phương pháp này đơn giản và hiệu quả trong việc xử lý dữ liệu bị thiếu, tuy nhiên, nó có thể ảnh hưởng đến phân phối của dữ liệu và nên được sử dụng một cách thận trọng.

Kỹ thuật chuẩn hóa theo từng tính năng như tỷ lệ MinMax được sử dụng nhằm giải quyết vấn đề xử lý các biến có tỷ lệ khác nhau một cách không đồng nhất Các nghiên cứu gần đây đã chứng minh rằng các phương pháp tỷ lệ dữ liệu như vậy có hiệu quả trong việc cải thiện hiệu suất của mô hình học máy Do đó, trong nghiên cứu này, chúng tôi đã sử dụng kỹ thuật tỷ lệ MinMax để chuẩn hóa các tính năng, giúp cải thiện độ tin cậy và chính xác của mô hình.

MiMax Scalar đề tý lệ hóa dữ liệu

Để đảm bảo sự đồng nhất trong các đặc điểm của từng loại tiền điện tử, nhóm nghiên cứu đã áp dụng chiến lược phân chia dữ liệu huấn luyện và kiểm tra theo tỷ lệ 80:20 Nhờ đó, các đặc điểm trong tập dữ liệu huấn luyện và kiểm tra có xu hướng tương đồng, giúp mô hình nắm bắt chính xác hơn mối quan hệ giữa các đặc điểm Bên cạnh chiến lược phân chia dữ liệu, nhóm nghiên cứu còn sử dụng các tiêu chí lọc dữ liệu sau:

Dữ liệu sử dụng trong nghiên cứu được chia thành tập dữ liệu huấn luyện và tập dữ liệu kiểm tra Tập dữ liệu huấn luyện bao gồm dữ liệu từ ngày 01/01/2018 đến 31/12/2021, chiếm 80% tổng dữ liệu Tập dữ liệu kiểm tra bao gồm dữ liệu từ ngày 01/01/2022 đến thời điểm hiện tại (tháng năm chưa được cung cấp), chiếm 20% tổng dữ liệu Nghiên cứu tập trung vào các loại tiền điện tử phổ biến như Bitcoin (BTC), Ethereum (ETH) và Solana (SOL).

BỘ DỮ LIỆU TIÊN DIỆN TỨ

Hình 5 Phương pháp xứ lý dữ liệu và lựa chọn mô hình

Các thuật toán được mã hóa bằng Python 3.10.12 và chạy trên máy tính Windows có bộ xử lý 4 CPU cores, 30 GB RAM và không có GPU, sử dụng Jupyter Notebook from Kaggle Trong quá trình thực hiện thí nghiệm, chúng tôi đã sử dụng các thư viện cốt lõi như scikit-learn (sklearn) cho giao diện lập trình ứng dụng (API) học sâu trong Python.

Các hình 3.2, 3.3 và 3.4 mô tả giá đóng cửa hàng ngày của tiền điện tử BTC, ETH và LTC, được chia thành tập dữ liệu huấn luyện và thử nghiệm Ngoài ra, dữ liệu năm năm gần đây đã được nhóm nghiên cứu đưa vào để loại bỏ thông tin không cần thiết từ những ngày đầu của thời kỳ tiền điện tử.

Hinh 6 Gid dong cira hang ngay cua cac logi tién điện tử mục tiêu BTC

Hình 7 Giá đóng cửa hàng ngày cza các loại tiển điện tử mục tiêu ETH

12020 Jan2021 Jul2021 Jan2022 JJul2022 Jan2023 JJul2023 3Jan 2024

Hình 8 Giá đóng cửa hàng ngày cza các loại tiển điện tử mục tiêu SOL 3.3 Phương pháp nghiên cứu

Mạng nơ-ron học sâu GRU (Gated Recurrent Unit) được ứng dụng rộng rãi trong dự đoán giá Bitcoin Mô hình GRU được phát triển dựa trên RNN (Recurrent Neural Network) nhưng sở hữu những cải tiến giúp tăng hiệu quả hoạt động.

GRU (Gated Recurrent Unit) sử dụng hai hàm điều chỉnh thông tin được truyền đi giữa các bước thời gian Hàm cập nhật (update gate) quyết định thông tin nào được giữ lại hoặc xóa bỏ Hàm khởi động (reset gate) quyết định thông tin nào sẽ được đưa vào tính toán tiếp theo, cho phép GRU kiểm soát luồng thông tin trong mạng hiệu quả và học được các mối quan hệ phụ thuộc theo thời gian.

Các đặc trưng của Bitcoin được truyền vào mô hình GRU (Gated Recurrent Unit), từng đặc trưng được xử lý trong một đơn vị thời gian Mỗi đơn vị thời gian tính toán giá trị Bitcoin tiếp theo dựa trên các đặc trưng và trạng thái của đơn vị thời gian trước đó Mô hình sử dụng phương pháp lan truyền ngược (backpropagation) để điều chỉnh các trọng số và dự đoán giá Bitcoin trong tương lai.

Tuy nhiên, mô hình GRU không phải là giải pháp tuyệt đối cho việc dự đoán giá Bitcoin Hiệu quả của mô hình phụ thuộc vào chất lượng dữ liệu đầu vào và các tham số được chọn Do đó, việc lựa chọn các đặc trưng và hiệu chỉnh tham số mô hình có vai trò quan trọng trong việc đạt được kết quả dự đoán giá Bitcoin tốt nhất.

He = ỉ (Vụx + W,0¿_+ + bụ) (2) ọ =Ữỉ (Vix + ẹ;o, + by) (3) iy = tanh (V,x; + W, (1; © 04-1) + bo) (4)

Trong đó Xt đại diện cho đầu vào; y là đầu ra của công cập nhật; u là đầu ra của công reset; ⊙ là sản phẩm Hadamard; và V, W, b là các tham số hoặc ma trận trọng số.

Hình 10 Mô hình GRU 3.3.2 Mô hình LSTM:

Mạng lưới bộ nhớ dài ngắn hạn (LSTM) nổi bật trong lĩnh vực dự đoán giá Bitcoin cũng như các loại tiền điện tử khác nhờ khả năng xử lý hiệu quả dữ liệu chuỗi thời gian.

43 ùạ =ỉ(W;[t—t,Xị] + Bị) (1) fr =o (Wy [fax] + Or) (2)

Ce = fe * Ga + ip * tanh (We [/y-1,%4] + 0.) (3)

Op = 7 (We [Iy-1,%4] + Do) (4) ly = 0; * tanh (c;) (5)

Một trong những đặc điểm chính của mô hình LSTM chính là khả năng học hỏi và ghi nhớ thông tin từ quá khứ Nhờ đó, mô hình có thể tận dụng các thông tin đã học được để đưa ra dự đoán cho tương lai Khả năng này giúp LSTM có thể phân tích những xu hướng, mô hình thường gặp trong dữ liệu chuỗi thời gian một cách hiệu quả.

Mô hình LSTM có khả năng xử lý dữ liệu không đồng nhất và dữ liệu thưa thớt Tính năng này giúp LSTM trở nên hiệu quả trong việc dự đoán giá Bitcoin, một thị trường biến động mạnh và thường xuyên bị ảnh hưởng bởi các yếu tố khác nhau.

CHƯƠNG 4: KET QUA 4.1 Két qua hiéu suat

Các mô hình học sâu được đề xuất sử dụng các thư viện Python là Skit-learn và Keras, được mã hóa bằng Python 3.10.12 và chạy trên máy tính Windows với bộ xử lý 4 CPU cores, 30 GB RAM và không có GPU, sử dụng Jupyter Notebook từ Kaggle Kết quả đánh giá mô hình để dự đoán giá BTC, ETH, SOL được trình bày trong bảng Đối với chỉ số RMSE và MAE, mô hình có giá trị lỗi nhỏ nhất được coi là tốt nhất Đối với chỉ số R2 và Explained variance regression, mô hình có giá trị càng lớn (càng tiến gần 1) được coi là tốt nhất.

Bang 2: Kết quá hiệu suát

Bi-LSTM with 1109.27 792.5487334 0.975238 0.978393748 BTC Dropout

LSTM 4.457800 3.058859253 0.98070014 | 0.981974798RFR 4.193460078) 2.619087949 0.98191057 | 0.98230526

4.2 Kết quả dự đoán 4.2.1 Kết quả dự đoán BTC:

Tuy nhiên, giá trị dự báo có thể có sự chênh lệch so với giá trị thực tế Mô hình Bi-LSTM thể hiện hiệu suất dự báo giá BTC tốt nhất.

Mô hình Bi-LSTM có hiệu suất cao nhất, với RMSE và MAPE thấp nhất và R2 cao nhất Biểu đồ cũng thể hiện dự báo của mô hình Bi-LSTM gần nhất với thực tế Mô hình GRU là mô hình tốt thứ hai cho dự báo BTC, với Explained variance regression cao nhất và chênh lệch không đáng kể về R2, RMSE, MAPE.

Có thẻ xem so sánh các giá trị thực tế và dự báo của tập dữ liệu huấn luyện cho 6 mô hình sau day:

Comparision between original close price vs predicted close price

Jul2021 Jan2022 Jul2022 Jan2023 Jul2023 Jan 2024

Hình 14 BTC—kết quả thực tế và dự đoán bằng mô hình LSTM

Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul2022 Jan 2023 Jul2023 Jan 2024

Hình 15 BTC— kết quả thực tế và dự đoán bằng mô hình Bi - LSTM

Comparision between original close price vs predicted close price

Jul 2021 Jan2022 Jul2022 Jan2023 Jul2023 Jan 2024

Hình 16 BTC— kết quá thực tế và dự đoán bằng mô hình Bi - LSTM with drop out

Close price Close price Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul2022 Jan2023 Jul2023 Jan 2024

Hình 17 BTC— kết quz thực tế và dự đoán bang mô hình GRU

Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul2022 Jan2023 Jul2023 Jan 2024

Hình 18 BTC—kết quả thực tế và dự đoán bằng mô hình SVR

Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul 2022 Jan2023 Jul2023 Jan 2024

Hinh 19.BTC—két qua thie té va dir dodn bang m6 hinh RFR 4.2.2 Kết quả dự đoán ETH

Mô hình GRU thể hiện hiệu suất nổi bật trong việc dự báo giá ETH, vượt trội so với các mô hình khác Điều này được minh chứng qua các chỉ số RMSE và MAPE lần lượt đạt mức thấp nhất là 62,8763 và 49,3893 Ngoài ra, GRU còn đạt giá trị R2 và Explained variance regression cao nhất là 0,96091 và 0,94112, cho thấy khả năng dự báo chính xác của mô hình.

0.9703 Mô hình tốt thứ hai cho dự đoán giá ETH là Bi-LSTM, với các giá trị Explained variance regression, R2, RMSE, MAPE chênh lệch không quá nhiều

Close price Close price Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul2022 Jan2023 Jul 2023 Jan 2024

Hình 20 ETH - két qua thwe té va dir dodn bang mô hình LSTM

Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul 2022): Jan 2023 1ul2023 Jan 2024

Hình 21 ETH - kết quá thực tế và dự đoán bằng mô hình Bi -LSTM

Close price Comparision between original close price vs predicted close price

Jul 2021 Jan2022 Jul2022 Jan 2023 Jul2023 Jan 2024

Hình 22 ETH - kết quz thực tế và dự đoán bằng mô hình Bi-LSTM with drop out

Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul 2022 Jan 2023 Jul2023 Jan 2024

Hình 23 ETH - kết quz thực tế và dự đoán bằng mô hình GRU

Close price Close price Comparision between original close price vs predicted close price

Jul2021 Jan2022 Jul2022 Jan2023 Jul 2023 Jan 2024

Hình 24 ETH - kết quả thực tế và dự đoán bang mô hình SVR

Comparision between original close price vs predicted close price

Jul 2021 Jan2022 Jul2022 Jan2023 Jul 2023 Jan 2024

Hình 25 ETH - két qua thwe té va die dodn bang mé hinh RFR

4.2.3 Kết quả dự đoán SOL:

Mô hình dự đoán hiệu quả nhất là mô hình RFR với giá trị RMSE và MAPE lần lượt là 4.19346007756892 và 2.61908794867041 Tuy nhiên, mô hình tốt nhất để dự đoán giá đồng SOL theo giá trị R2 và Explained variance regression lại là Bi-LSTM, với các giá trị đạt được lần lượt là:

0.981941397822608 và 0.983515934461791 Comparision between original close price vs predicted close pric

Hình 26 SOL - kết qu¿ thực tế và dự đoán bằng mô hình LSTM

Comparision between original close price vs predicted close pric

Hinh 27 SOL - két qua thực tế và dự đoán bằng mô hình Bi-LSTM

Comparision between original close price vs predicted close price

0 Jul 2021 Jan 2022 Jul 2022 Jan 2023 Jul 2023 Jan 2024

Hình 28 SOL - kết qu¿ thực tế và dự đoán bằng mô hình Bi-LSTM with dropout

Close price Close price Comparision between original close price vs predicted cBsé price

0 Jul 2021 Jan 2022 Jul 2022 Jan 2023 Jul 2023 Jan 2024

Hình 29 SOL - kết qua thực tế và dự đoán bằng mô hình GRU

Comparision between original close price vs predicted close price

Jul 2021 Jan 2022 Jul2022 Jan2023 Jul2023 Jan 2024

Hình 30 SOL - kết quá thực tế và dự đoán bằng mô hình SVR

Comparision between original close price vs predicted close price

0 Jul2021 Jan2022 Jul2022 Jan2023 Jul2023 Jan 2024

Hình 31 SOL - kết quá thực tế và dự đoán bằng mô hình RFR 4.2.4 Tổng kết

Bang 3: Bang thống kê giá tr; dự đoán giá B7C, ETH, SOL Currency _| Model Giá thực tế | Gia dw doan | Dé léch(%)

LSTM 98.86 98.3427 0.53%RFR 98.86 94.51863 4.59%

Bảng thống kê giá trị dự đoán giá BTC, ETH, SOL vào cuối ngày 6/2/2024 khi sử dụng các model

Explained variance regression aia training

GRU 4.5262089 3.2703461 | 0.980103] 0.9813019) 81.98

Nhìn chung, các mô hình dự đoán giá đều có độ tương quan cao, với hệ số R2 và Explained variance regression score trên 90% cho cả tập dữ liệu huấn luyện và tập kiểm tra.

— Mô hình SVR có hiệu suất dự đoán thấp nhất so với các mô hình còn lại

RMSE (Root Mean Square Error) và MAE (Mean Absolute Error) của các mô hình đều tương đối thấp, chỉ ra rằng độ lệch chuẩn giữa giá trị dự đoán và giá trị thực tế không đáng kể.

Thời gian huần luyện của các mô hình tương đôi ngăn:

— Đối với các mô hình Deep learning thời gian training dao động 69-102

Mẫu SVR có thời gian ủ ngắn nhất với chỉ 0,003 giây Điều này cho thấy mô hình SVR có độ phức tạp nhỏ nhất so với các mô hình khác.

Theo đánh giá của các chỉ số, độ chính xác khi dự đoán giá SOL>ETH>BTC

Có vẻ như vùng giá của đồng coin càng thấp, khả năng dự đoán càng tốt do biến động giá không chênh lệch quá nhiều

Mô hình dự đoán giá cho đồng BTC là Bi-LSTM, cho đồng ETH là GRU, cho đồng SOL là RFR hoặc Bi-LSTM

4.3 Hàm ý quản trị cho doanh nghiệp

Nghiên cứu đã thành công trong việc ứng dụng các phương pháp máy học LSTM, Bi-LSTM, Bi-LSTM with Dropout, GRU, SVR, RER để kiểm tra giá trị điện tử, đồng thời đưa ra góc nhìn quản trị giúp dự đoán chính xác hơn sự biến động đáng kể của chúng trong vòng 15 và 60 ngày Kết quả thu được không chỉ giúp các nhà quản lý doanh nghiệp so sánh và lựa chọn mô hình phù hợp, mà còn mang lại những lợi ích thiết thực như nâng cao hiệu quả hoạt động và quản lý.

Nâng cao khả năng dự đoán giá tiền điện tử có vai trò thiết yếu đối với các doanh nghiệp tham gia đầu tư vào loại tài sản này Bằng cách dự đoán chính xác xu hướng giá, doanh nghiệp có thể đưa ra những chiến lược kinh doanh phù hợp, tối ưu hóa quyết định đầu tư, giảm thiểu rủi ro và gia tăng lợi nhuận trong các hoạt động giao dịch mua bán tiền điện tử hoặc đầu tư vào các dự án liên quan Điều này góp phần nâng cao hiệu quả quản lý rủi ro, quản lý tài sản và hoạt động kinh doanh của doanh nghiệp nói chung.

Các doanh nghiệp có thể đánh giá rủi ro tác động tiêu cực của biến động giá tiền điện tử đối với rủi ro tài chính bằng cách sử dụng các biện pháp như tăng tỷ lệ đòn bẩy và đa dạng hóa danh mục đầu tư Ngoài ra, doanh nghiệp có thể cân nhắc sử dụng các công cụ quản lý rủi ro như tùy chọn và hợp đồng tương lai để giảm thiểu tác động của rủi ro.

Dự đoán giá tiền điện tử đóng vai trò quan trọng trong việc lập kế hoạch tài chính, phân bổ tài sản và phòng ngừa rủi ro trước biến động thị trường Bằng cách dự đoán giá chính xác, nhà đầu tư có thể giảm thiểu rủi ro, tăng khả năng thích ứng và thậm chí là phát triển các chiến lược kinh doanh mới cho doanh nghiệp.

Dự đoán được giá tiền điện tử giúp doanh nghiệp định hướng chiến lược kinh doanh phù hợp với thị trường Họ có thể phát triển các dịch vụ giao dịch tiền điện tử, đầu tư vào các quỹ để mở rộng hoạt động Việc dự đoán chính xác giá tiền điện tử giúp doanh nghiệp tăng năng lực cạnh tranh trên thị trường.

Các doanh nghiệp có lợi thế cạnh tranh khi đưa ra quyết định nhanh chóng và chính xác trước đối thủ trong thị trường tiền điện tử biến động Dự đoán giá tiền điện tử giúp các doanh nghiệp có ưu thế hơn đối thủ cạnh tranh, tạo ra lợi thế cạnh tranh quan trọng trong bối cảnh thị trường đầy biến động.

CHƯƠNG 5: KÉT LUẬN 5.1 Kết luận

Nghiên cứu chỉ ra rằng mô hình Bi-LSTM đem lại dự đoán chính xác nhất cho cả ba loại tiền tệ, tiếp theo là mô hình GRU Điều này chứng tỏ rằng sự kết hợp các dòng chảy tiến và lùi trong mô hình hai chiều giúp cải thiện hiệu suất dự đoán chuỗi thời gian Các thuật toán học sâu cho thấy hiệu quả trong việc dự đoán giá tiền điện tử và mô hình Bi-LSTM có hiệu quả hơn so với LSTM và GRU truyền thống.

Sau quá trình phân tích, đánh giá hiệu quả của các mô hình dự báo giá thị trường tiền điện tử, nghiên cứu chỉ ra ưu điểm của mô hình học tăng cường kết hợp xu hướng dữ liệu Mô hình này cung cấp lợi nhuận cao đồng thời giảm thiểu rủi ro, đặc biệt phù hợp với thị trường tiền điện tử biến động mạnh Việc sử dụng các chỉ số đánh giá hiệu suất chính xác, lợi nhuận tích lũy và độ sụt giảm lớn nhất xác nhận rằng mô hình mua bán dựa trên học tăng cường kết hợp xu hướng dữ liệu vượt trội hơn so với mô hình học tăng cường không xem xét xu hướng dữ liệu.

5.2 Ý nghĩa và giới hạn của nghiên cứu

Nghiên cứu này cung cấp cái nhìn toàn diện về tác động của các yếu tố trong môi trường tiền điện tử đối với sự biến động đáng kể của giá Bitcoin.

Nghiên cứu này đóng vai trò quan trọng trong việc hỗ trợ doanh nghiệp đánh giá rủi ro và đưa ra quyết định đầu tư đúng đắn hơn trong bối cảnh tài chính biến động Nghiên cứu cung cấp các mô hình dự báo giúp các doanh nghiệp nắm bắt được diễn biến thị trường một cách chính xác, qua đó gia tăng hiệu quả đầu tư.

Ngoài ra, nghiên cứu này hỗ trợ doanh nghiệp cải thiện hoạt động quản lý danh mục đầu tư, nâng cao khả năng dự báo và đối mặt với biến động của thị trường Điều này mang lại lợi thế cạnh tranh và sự vững chắc hơn trong kinh doanh Đối với các nhà nghiên cứu, nghiên cứu này là công cụ gia tăng hiệu quả của các mô hình máy học trong việc dự đoán giá tiền điện tử Nhờ đó, mở rộng kiến thức và định hướng cho các nghiên cứu tương lai, nhằm cải thiện độ chính xác trong dự đoán, góp phần xây dựng một thị trường tiền điện tử minh bạch và thịnh vượng.

Nghiên cứu này hướng tới mục đích hỗ trợ nhà đầu tư cá nhân ra quyết định sáng suốt hơn, hạn chế rủi ro và tối ưu lợi nhuận Bên cạnh đó, nhà đầu tư sẽ nâng cao hiệu quả quản lý danh mục đầu tư, phân bổ cân bằng giữa các loại tiền điện tử Nhờ vậy, nhà đầu tư có khả năng thích ứng tốt hơn với biến động thị trường, xây dựng kế hoạch chiến lược hợp lý bằng cách nhận biết chênh lệch giữa dòng tiền dự kiến và thực tế Từ đó, họ có thể thực hiện các biện pháp khắc phục và tối ưu hóa quy trình, đảm bảo dòng tiền ổn định và hiệu quả.

5.2.2 Giới hạn của nghiên cứu:

Nghiên cứu này cung cấp cái nhìn tổng quan về hiệu quả của các mô hình máy học trong dự đoán giá tiền điện tử Tuy nhiên, do thời gian hạn chế, kết quả còn chưa đi sâu vào từng khía cạnh cụ thể, và khả năng tổng quát của mô hình có thể bị ảnh hưởng bởi sự biến động liên tục của thị trường Ngoài ra, mô hình LSTM được sử dụng có thể không hoạt động tốt nếu dữ liệu chuỗi thời gian bị ảnh hưởng bởi các yếu tố bên ngoài Dữ liệu đầu vào nếu không được xử lý đúng cách cũng có thể dẫn đến dự đoán sai Nghiên cứu chỉ tập trung vào một số mô hình học máy phổ biến, không bao quát hết thông tin thị trường, nên hiệu quả của các mô hình ít phổ biến hơn vẫn chưa được so sánh, khiến kết quả còn nhiều thiếu sót.

Do các biến số phức tạp, khó có thể dự đoán chính xác tương lai của tiền điện tử Các mô hình mới được phát triển có thể đưa ra kết quả khác nhau Ngoài ra, nguồn dữ liệu hạn chế được sử dụng trong các nghiên cứu trước đó thiếu sự đa dạng và không đại diện đầy đủ cho thị trường tiền điện tử luôn thay đổi.

Để tối ưu dự đoán giá tiền điện tử, doanh nghiệp cần chú trọng vào các mô hình có khả năng giải thích cao để hiểu rõ cơ sở đằng sau dự đoán Việc kết hợp dữ liệu đa dạng từ nhiều nguồn có thể tăng cường độ chính xác Việc đánh giá hiệu quả mô hình trong thực tế giúp doanh nghiệp cải thiện hiệu quả dự đoán Ngoài ra, kết quả nghiên cứu có thể được ứng dụng để phát triển các công cụ dự đoán giá có ích cho các nhà đầu tư và doanh nghiệp Cuối cùng, các nhà đầu tư có thể dựa trên các phát hiện nghiên cứu này để tối ưu hóa chiến lược đầu tư, giảm thiểu rủi ro và tăng cường lợi nhuận.

5.3.2 Đề xuất cho các nghiên cứu tương lai e© Mở rộng phạm vi nghiên cứu:

Nghiên cứu đã εξετάσει chuyên sâu Bitcoin (BTC) và Ethereum (ETH) mà bỏ qua các loại tiền điện tử khác Bằng việc mở rộng phạm vi nghiên cứu, chúng ta có thể xác định được liệu kết quả có thể áp dụng chung cho toàn bộ thị trường tiền điện tử hay không.

Nghiên cứu được đề cập chỉ so sánh một lượng mô hình học máy phổ biến nhất định Việc tiến hành so sánh thêm nhiều mô hình, trong đó bao gồm cả các mô hình mới được phát triển, sẽ góp phần xác định mô hình nào đạt hiệu quả cao nhất trong việc dự đoán giá tiền điện tử.

Để cải thiện độ chính xác của dự báo giá tiền điện tử, cần sử dụng nhiều nguồn dữ liệu hơn để đảm bảo tính đa dạng và độ tin cậy Các mô hình học sâu tiên tiến như CNN và RNN đã chứng minh hiệu quả trong dự đoán giá cổ phiếu và có thể được áp dụng cho tiền điện tử Các phương pháp xử lý dữ liệu mới phải được phát triển để giải quyết các đặc điểm dữ liệu tiền điện tử như nhiễu và thiếu sót Hơn nữa, tích hợp các yếu tố khác như tâm lý thị trường, sự kiện kinh tế và chính trị vào mô hình có thể giúp tăng cường độ chính xác dự đoán.

Ngoài ra, cân nhắc sử dụng các mô hình ensemble để cải thiện độ chính xác khi dự đoán Các mô hình ensemble kết hợp nhiều mô hình học máy khác nhau, tận dụng thế mạnh riêng của từng mô hình để đưa ra dự đoán tốt hơn so với việc chỉ sử dụng một mô hình duy nhất.

Các kỹ thuật tăng cường dữ liệu tạo ra thêm dữ liệu từ dữ liệu hiện có, cải thiện hiệu suất mô hình khi dữ liệu ít ỏi.

Lưu ý vấn đề quá khớp (overfitting): Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện và không thể khái quát hóa tốt trên dữ liệu mới Các nhà nghiên cứu cần sử dụng các kỹ thuật như regularization để tránh overfitting.

TÀI LIỆU THAM KHẢO

Foreign exchange forecasting models: ARTMA and LSTM comparison [†]., Gran

Canaria, Spain Engineering Proceedings, 39(1), 81 https://doi.org/10.3390/engproc2023039081 Hamayel, M J., & Owda, A Y (2021) A novel cryptocurrency price prediction model using GRU, LSTM, and bi-LSTM machine learning algorithms Al, 2(4), 477-496 https://doi.org/10.3390/ai2040030

Murray, K., Rossi, A., Carraro, D., & Visentin, A (2023) On forecasting cryptocurrency prices: A comparison of machine learning, deep learning, and ensembles Forecasting, 5(1), 196-209 https://doi.org/10.3390/forecast50 10010

Rathore, R K., Mishra, D., Mehra, P S., Pal, O., Hashim, A S., Shapi'i, A., Ciano, T., & Shutaywi, M (2022) Real-world model for bitcoin price prediction

Information Processing & Management, 59(4), 102968 https://doi.org/10.1016/).ipm.2022 102968 Investing.com (n.d.) Bitcoin (BTC) Historical Data Investing.com https://vn.investing.com/crypto/bitcoin/historical-data

Investing on margin refers to borrowing funds from a broker to amplify potential returns However, this strategy can be highly risky, as evidenced by the case of a 22-year-old who lost $80,000 in crypto after investing on margin The high volatility of cryptocurrencies, coupled with the additional risk inherent in margin trading, can lead to significant losses Therefore, it is crucial for investors to thoroughly understand the potential risks and liabilities associated with leverage and to exercise caution when considering such strategies.

Johnson, K (2023, September 27) 8 opportunities and limitations for Al making cryptocurrency predictions | VentureBeat https://venturebeat.com/ai/8- opportunities-and-limitations-for-ai-making-cryptocurrency-predictions/

Trung Quốc đang siết chặt quy định tiền điện tử thông qua các biện pháp mới, bao gồm tăng cường giám sát các sàn giao dịch và cấm các tổ chức tài chính cung cấp dịch vụ liên quan đến tiền ảo Động thái này nhằm ngăn chặn các rủi ro tài chính, bảo vệ người tiêu dùng và thúc đẩy sự ổn định trong hệ thống tài chính.

Tomorrow Marketers (n.d.) Time series analysis Tomorrow Marketers Blog https://blog.tomorrowmarketers.org/time-series-analysis/

10 Yahoo Finance (n.d.) Bitcoin (BTC) Historical Data Yahoo Finance https://finance.yahoo.com/

11.(n.d.) Gradient boosting regressor Inside Learning Machines https://insidelearningmachines.com/gradient_boosting regressor/

12 Livieris, | E., Pintelas, E., Stavroyiannis, S., & Pintelas, P (2020) Ensemble deep learning models for forecasting cryptocurrency time-series Algorithms, 13(5), 121

13.Hua, Y (2020) Bitcoin price prediction using ARIMA and LSTM In E3S Web of Conferences (Vol 218, p 01050) EDP Sciences

14.Na, Z., Wang, Y., Li, X., Xia, J., Liu, X., Xiong, M., & Lu, W (2018) Subcarrier allocation based simultaneous wireless information and power t ransfer algorithm in 5G cooperative OFDM communication systems Physical communication, 29, 164-170

15 Derbentsev, V.; Matviychuk, A.; Soloviev, V.N Forecasting of Cryptocurrency Prices Using Machine Learning In Advanced Studies of Financial Technologies and Cryptocurrency Markets; Springer: Berlin/Heidelberg, Germany, 2020; pp

In their paper titled "The Effect of Kernel Functions on Cryptocurrency Prediction Using Support Vector Machines," Hitam et al investigate the impact of different kernel functions on the accuracy of cryptocurrency price predictions Their research, presented at the International Conference of Reliable Information and Communication Technology, highlights the importance of kernel function selection for effective machine learning models in cryptocurrency trading.

17.Andrianto, Y.; Diputra, Y The effect of cryptocurrency on investment portfolio effectiveness J Financ Account 2017, 5, 229-238 [Google Scholar]

18.Seabe, P L., Moutsinga, C R B., & Pindza, E (2023) Forecasting cryptocurrency prices using LSTM, GRU, and Bi-Directional LSTM: A deep learning approach Fractal Fractals, 7(2), 203 https://doi.org/10.3390/fractalfract7020203