不同的深度学习模型已被用于寻找加密货币市场的价格变动模式。Zhengy等人[258]实现了两种机器学习模型，即完全连接的ANN和LSTM来预测加密货币的价格动态。结果表明，虽然理论上LSTM比ANN更适合于时间序列动力学建模，但ANN总体上优于LSTM；在联合预测（五种加密货币日价格预测）中，考虑的性能指标是MAE和RMSE。研究结果表明，加密货币时间序列的未来状态在很大程度上取决于其历史演变。Kwon等人[165]使用了LSTM模型，以表示加密货币过去价格变化的三维价格张量作为输入。该模型在F1成绩方面优于GB模型。具体来说，在10分钟的价格预测中，它的性能比GB模型提高了约7%。特别是，实验表明，LSTM更适合于对高波动率的加密货币数据进行分类。Alessandretti等人[5]测试了梯度增强决策树（包括单回归和XGBoost增强回归）和LSTM模型对每日加密货币价格的预测。他们发现，基于梯度提升决策树的方法在基于5/10天的短期窗口进行预测时效果最好，而LSTM在基于50天数据的预测时效果最好。比较了两种模型中特征的相对重要性，讨论了基于几何平均收益率和Sharpe比率的优化组合。Phaladisailoed等人[207]选择回归模型（Theil-Sen回归和Huber回归）和基于深度学习的模型（LSTM和GRU）来比较预测比特币价格涨跌的性能。在MSE和RSquare（R2）这两种常用的度量标准中，GRU的精度最高。Fan等人[100]在预测8对加密货币的中间价格时，应用了一种自动编码器增强的LSTM结构。^^收集了2级限价指令簿实时数据，实验在高频交易（tick-Level）中实现了78%的价格变动预测准确率。^^这项研究改进并验证了Sirignano等人[224]的观点，即对于加密货币市场，通用模型比货币对特定模型具有更好的性能。此外，还提出了“走查”（即，当原来的深度学习模型似乎不再有效时，对其本身进行再训练）作为一种优化深度学习模型训练的方法，并显示出显著提高预测精度的效果。

研究人员还将重点放在比较经典统计模型和机器/深度学习模型上。Rane等人[214]描述了用于预测比特币价格的经典时间序列预测方法和机器学习算法。将自回归综合移动平均模型（ARIMA）、二项式广义线性模型和GARCH等统计模型与支持向量机（SVM）、LSTM、非线性自回归外生输入模型（NARX）等机器学习模型进行了比较。观测结果表明，以10秒为间隔，NARX模型的预测精度接近52%，是最佳的预测模型。Rebane等人[215]比较了ARIMA等传统模型和seq2seq等现代流行模型在预测加密货币收益方面的差异。结果表明，seq2seq模型在比特币美元预测方面明显优于ARIMA模型，但在极端情况下，seq2seq模型表现出很差的性能。作者建议进行额外的调查，例如使用LSTM而不是GRU单元来提高性能。Stuerner等人[228]也比较了类似的模型，他们探讨了自动投资方法在加密货币交易趋势跟踪和技术分析中的优势。Samuel等人[206]探索了向量自回归模型（VAR模型），一种更复杂的RNN，以及残差递归神经网络（R2N2）中两者的混合，用于预测加密货币回报。具有十个隐藏层的RNN针对设置进行了优化，VAR增强的神经网络使网络比RNN更浅、更快，并具有更好的预测能力。比较了RNN、VAR和R2N2模型。结果表明，VAR模型具有显著的检验期性能，从而支撑了R2N2模型，而RNN模型表现较差。本研究旨在优化模型设计并应用于加密货币收益预测。 (责任编辑：admin)