WiMi Hologram Cloud Inc. gab bekannt, dass es ein zweistufiges hybrides maschinelles Lernmodell entwickelt hat, das auf Variational Modal Decomposition (VMD) und Support Vector Regression (SVR) basiert. Um die dynamischen Informationen des Marktes effizient zu erfassen, verwendet das WiMi-Modell dieser Technologie den Boruta-Algorithmus für technische Indikatoren und Merkmalsauswahl. Dies hilft dabei, die relevanteste Untergruppe von Merkmalen zu finden, die Komplexität des Modells zu minimieren und seine Effizienz zu verbessern.

VMD ist in der Lage, Rauschen und zufällige Schwankungen in Bitcoin-Kursreihen besser zu verarbeiten. Durch die Zerlegung der reellwertigen Eingangssignale in Variationsmodusfunktionen (VMF) erhalten Sie VMFs mit eindeutigen Frequenzbereichen, was letztendlich die Darstellung der Preisdaten verbessert. SVR, eine Kernkomponente der Algorithmen für maschinelles Lernen, bietet leistungsstarke Vorhersagefähigkeiten, indem sie nichtlineare Beziehungen im Merkmalsraum des technischen Modells erfasst.

Um die Relevanz der Daten des Vorhersagemodells sicherzustellen, wurden die Intraday-Bitcoin-Preisdaten vorverarbeitet und normalisiert. Dazu gehörte die Konvertierung heterogener Zeitreihendaten in homogene Daten, um Skalenunterschiede zu eliminieren und so das Lernen von Support-Vektoren zu erleichtern. In der ersten Stufe wird der Boruta-Algorithmus, ein effizienter Algorithmus zur Auswahl von Merkmalen, eingesetzt, um die relevanteste Teilmenge aus verschiedenen technischen Metriken auszuwählen.

Der Zweck dieses Schritts ist es, den Merkmalsraum zu reduzieren und die Komplexität des Modells zu verringern, während gleichzeitig sichergestellt wird, dass die ausgewählten technischen Indikatoren für die Bitcoin-Preisvorhersage maximal informativ sind. Der VMD zerlegt dann die Bitcoin-Preisreihe in eine Reihe von VMFs. Jede VMF hat einzigartige Eigenschaften und Frequenzbereiche, so dass verrauschte Signale und zufällige Fluktuationen in den Preisdaten genauer erfasst werden können.

Dieser Schritt führt zu einem rekonstruierten Satz von Variationsmodalfunktionen (rVMFs), die sauberere und abstraktere Eingaben für die zweite Stufe der Modellierung liefern. In der zweiten Phase werden die Informationen aus zwei Merkmalsgruppen aggregiert, um die Eingaben für die SVR zu bilden. Diese beiden Merkmalsgruppen umfassen Merkmale, die durch technische Indikatoren ausgewählt wurden, und rVMFs, die durch VMDs generiert wurden.

Durch diese Aggregation sollen die statistischen Trends der technischen Indikatoren und die Häufigkeitsinformationen der VMDs vollständig genutzt werden, um eine umfassendere, multidimensionale Eingabe für die SVR zu erhalten. Der SVR ist das Herzstück des Modells und hat die Fähigkeit, nicht-lineare Beziehungen zu erfassen. Indem SVR eine Mischung von Eingaben aus beiden Merkmalssätzen akzeptiert, erstellt es ein leistungsfähiges Vorhersagemodell, indem es aus dem vergangenen Marktverhalten und statistischen Mustern von Kursbewegungen lernt.

Da dieses Modell sowohl technische Indikatoren als auch Informationen aus dem Frequenzbereich von VMDs berücksichtigt, bietet es ein umfassenderes Verständnis der Volatilität des Bitcoin-Kurses. Durch die zweistufige hybride Modellierung kombiniert WiMi die statistischen Eigenschaften der technischen Indikatoren mit den Frequenzbereichsinformationen der VMDs, um ein umfassenderes und leistungsfähigeres Prognosemodell zu erstellen. Dieses Modell zeigt erhebliche Vorteile im Umgang mit der Marktvolatilität, im Umgang mit Rauschen und in der Anpassung an schnelle Veränderungen.

Es verbessert nicht nur die Genauigkeit der Bitcoin-Kursprognosen, sondern bietet auch eine bessere Unterstützung bei der Entscheidungsfindung. Da sich der Markt für Kryptowährungen ständig weiterentwickelt und innovativ ist, steigt der Bedarf an Technologie weiter an. In Zukunft wird WiMi seine Marktdaten weiter vertiefen und weitere neue Technologien integrieren, um die Leistung seiner zweistufigen hybriden maschinellen Lernmodelle weiter zu verbessern.

WiMi plant, fortschrittlichere maschinelle Lernalgorithmen, erweiterte Lernmethoden und Deep Learning-Techniken einzuführen, um sich an die dynamischen Veränderungen des Marktes anzupassen und den Nutzern genauere und zuverlässigere Bitcoin-Preisvorhersagen zu bieten. Das zweistufige hybride Modell des maschinellen Lernens von WiMi stellt eine technologische Innovation im Bereich der digitalen Vermögenswerte dar. Durch die gründliche Erforschung des Bitcoin-Marktes und die Anwendung modernster Technologie durchbricht es die Grenzen herkömmlicher Modelle und bietet Anlegern und Händlern ein neues, zuverlässigeres Instrument zur Bitcoin-Kursvorhersage.

WiMi bietet einen noch nie dagewesenen Ansatz zur Bitcoin-Kursvorhersage. Die Entwicklung dieses Modells ist nicht nur ein wichtiger Beitrag zur Finanztechnologie, sondern bietet Anlegern und Händlern auch eine zuverlässigere und effizientere Entscheidungshilfe.