Forecasting Bitcoin: A Comparative Analysis of Traditional versus Machine Learning Approach
Rattachement africain : pk. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
This study attempts to forecast Bitcoin using both traditional and machine learning approaches to determine which methods are more robust. For the traditional method, the GARCH method is used to forecast Bitcoin returns. For the machine learning method, LSTM is used. A hybrid approach of GARCH–LSTM is also applied to the data to compare the results. Hourly data for Bitcoin are obtained from Coin-MarketCap for three years, from 2019 to 2022. The findings of the study reveal that machine learning methods outperform traditional methods. The study has useful implications for researchers.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Forecasting Bitcoin: A Comparative Analysis of Traditional versus Machine Learning Approach
- Date Crossref
- 01/02/2025
- Éditeur
- WORLD SCIENTIFIC (EUROPE)
- Type
- book-chapter
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.