WiMi Hologram Cloud Inc. a annoncé avoir développé un modèle hybride d'apprentissage automatique en deux étapes basé sur la décomposition modale variationnelle (VMD) et la régression vectorielle de support (SVR). Afin de capturer efficacement les informations dynamiques du marché, le modèle de WiMi utilise l'algorithme Boruta pour les indicateurs techniques et la sélection des caractéristiques. Cela permet de trouver le sous-ensemble de caractéristiques le plus pertinent, de minimiser la complexité du modèle et d'améliorer son efficacité.

Le VMD est capable de mieux gérer le bruit et les fluctuations aléatoires dans les séries de prix du bitcoin. En décomposant les signaux d'entrée à valeur réelle en fonction de mode variationnel (VMF), on obtient des VMF avec des plages de fréquence uniques, ce qui améliore en fin de compte la représentation des données de prix. Le SVR, un composant central des algorithmes d'apprentissage automatique, fournit de puissantes capacités prédictives en capturant les relations non linéaires dans l'espace des caractéristiques du modèle technique.

Pour garantir la pertinence des données du modèle prédictif, les données intrajournalières sur le cours du bitcoin ont été prétraitées et normalisées. Il s'agissait notamment de convertir des données de séries temporelles hétérogènes en données homogènes afin d'éliminer les différences d'échelle et de faciliter ainsi l'apprentissage des vecteurs de support. Tout d'abord, dans la première étape, l'algorithme de Boruta, qui est un algorithme efficace de sélection des caractéristiques, est utilisé pour sélectionner le sous-ensemble le plus pertinent à partir de diverses métriques techniques.

L'objectif de cette étape est de réduire l'espace des caractéristiques et de diminuer la complexité du modèle tout en veillant à ce que les indicateurs techniques sélectionnés soient le plus informatifs possible pour la prédiction du prix du bitcoin. Le VMD décompose ensuite la série de prix du bitcoin en un ensemble de VMF. Chaque VMF a des propriétés et des plages de fréquence uniques, ce qui permet de capturer plus précisément les signaux bruyants et les fluctuations aléatoires dans les données de prix.

Cette étape aboutit à un ensemble reconstruit de fonctions modales variationnelles (rVMF), qui fournissent des données d'entrée plus propres et plus abstraites pour la deuxième étape de la modélisation. Au cours de cette deuxième étape, les informations provenant de deux ensembles de caractéristiques sont agrégées pour former les entrées du SVR. Ces deux ensembles de caractéristiques comprennent des caractéristiques sélectionnées à l'aide d'indicateurs techniques et des MFVr générés à l'aide de VMD.

Cette agrégation est conçue pour utiliser pleinement les tendances statistiques des indicateurs techniques et les informations de fréquence des VMD afin de fournir une entrée plus complète et multidimensionnelle à la SVR. Le SVR est au cœur du modèle et a la capacité de capturer des relations non linéaires. En acceptant un mélange d'entrées provenant des deux ensembles de caractéristiques, le SVR construit un puissant modèle prédictif en apprenant du comportement passé du marché et des modèles statistiques des mouvements de prix.

Comme ce modèle prend en compte à la fois les indicateurs techniques et les informations du domaine des fréquences provenant des VMD, il fournit une compréhension plus complète de la volatilité du prix du bitcoin. Grâce à une modélisation hybride en deux étapes, WiMi combine les propriétés statistiques des indicateurs techniques avec les informations du domaine de fréquence des VMD pour construire un modèle de prévision plus complet et plus puissant. Ce modèle présente des avantages significatifs en ce qui concerne la volatilité du marché, la gestion du bruit et l'adaptation aux changements rapides.

Il améliore non seulement la précision des prévisions du prix du bitcoin, mais fournit également une aide à la décision plus efficace. Alors que le marché des crypto-monnaies continue d'évoluer et d'innover, les besoins en technologie ne cessent de croître. À l'avenir, WiMi continuera d'approfondir ses données de marché et d'intégrer davantage de technologies émergentes pour améliorer encore les performances de ses modèles d'apprentissage automatique hybrides en deux étapes.

En prévoyant d'introduire des algorithmes d'apprentissage automatique plus avancés, des méthodes d'apprentissage augmentées et des techniques d'apprentissage profond pour s'adapter aux changements dynamiques du marché, WiMi fournira aux utilisateurs des prévisions de prix du bitcoin plus précises et plus fiables. Dans le domaine des actifs numériques, le modèle hybride d'apprentissage automatique en deux étapes de WiMi constitue une innovation technologique. Grâce à des recherches approfondies sur le marché du bitcoin et à l'application d'une technologie de pointe, il dépasse les limites des modèles traditionnels et fournit aux investisseurs et aux traders un nouvel outil plus fiable pour prédire le cours du bitcoin.

WiMi propose une approche sans précédent de la prédiction du cours du bitcoin. Le développement de ce modèle est non seulement une contribution importante au domaine de la technologie financière, mais il fournit également aux investisseurs et aux traders un outil d'aide à la décision plus fiable et plus efficace.