WiMi Hologram Cloud Inc. ha anunciado que ha desarrollado un modelo híbrido de aprendizaje automático de dos etapas basado en la descomposición modal variacional (VMD) y la regresión de vectores de soporte (SVR). Para captar eficazmente la información dinámica del mercado, el modelo de esta tecnología de WiMi emplea el algoritmo de Boruta para los indicadores técnicos y la selección de características. Esto ayuda a encontrar el subconjunto de características más relevante, minimizando la complejidad del modelo y mejorando su eficiencia.

El VMD es capaz de manejar mejor el ruido y las fluctuaciones aleatorias en las series de precios del Bitcoin. Al descomponer las señales de entrada de valor real en funciones de modo variacional (VMF), obtiene VMF con rangos de frecuencia únicos, lo que en última instancia mejora la representación de los datos de precios. SVR, un componente central de los algoritmos de aprendizaje automático, proporciona potentes capacidades predictivas al capturar relaciones no lineales en el espacio de características del modelo técnico.

Para garantizar la pertinencia de los datos del modelo predictivo, se preprocesaron y normalizaron los datos intradía del precio del bitcoin. Esto incluyó la conversión de datos de series temporales heterogéneas en datos homogéneos para eliminar las diferencias de escala y facilitar así el aprendizaje de los vectores de soporte. En primer lugar, en la primera etapa, se emplea el algoritmo de Boruta, que es un algoritmo eficiente de selección de características, para seleccionar el subconjunto más relevante de varias métricas técnicas.

El propósito de este paso es reducir el espacio de características y disminuir la complejidad del modelo, garantizando al mismo tiempo que los indicadores técnicos seleccionados sean lo más informativos posible para la predicción del precio del Bitcoin. A continuación, el VMD descompone la serie de precios del Bitcoin en un conjunto de VMF. Cada VMF tiene propiedades y rangos de frecuencia únicos, lo que permite capturar con mayor precisión las señales ruidosas y las fluctuaciones aleatorias de los datos de precios.

Este paso da como resultado un conjunto reconstruido de funciones modales variacionales (rVMFs), que proporcionan entradas más limpias y abstractas para la segunda etapa de modelización. En la segunda etapa, la información de dos conjuntos de características se agrega para formar las entradas del SVR. Estos dos conjuntos de características incluyen características seleccionadas a través de indicadores técnicos y rVMFs generados a través de VMDs.

Esta agregación está diseñada para utilizar plenamente las tendencias estadísticas de los indicadores técnicos y la información de frecuencia de los VMD para proporcionar una entrada más completa y multidimensional al SVR. El SVR es el núcleo del modelo y tiene la capacidad de captar relaciones no lineales. Al aceptar una mezcla de entradas de ambos conjuntos de características, el SVR construye un potente modelo predictivo aprendiendo del comportamiento pasado del mercado y de los patrones estadísticos de los movimientos de los precios.

Dado que este modelo tiene en cuenta tanto los indicadores técnicos como la información del dominio de frecuencia de los VMD, proporciona una comprensión más completa de la volatilidad del precio del Bitcoin. Mediante el modelado híbrido en dos etapas, WiMi combina las propiedades estadísticas de los indicadores técnicos con la información del dominio de la frecuencia de los VMD para construir un modelo de previsión más completo y potente. Este modelo demuestra ventajas significativas a la hora de hacer frente a la volatilidad del mercado, manejar el ruido y adaptarse a los cambios rápidos.

No sólo mejora la precisión de las previsiones del precio del Bitcoin, sino que también proporciona un apoyo más procesable para la toma de decisiones. A medida que el mercado de criptodivisas sigue evolucionando e innovando, la necesidad de tecnología sigue aumentando. De cara al futuro, WiMi seguirá profundizando en sus datos de mercado e integrando más tecnologías emergentes para mejorar aún más el rendimiento de sus modelos híbridos de aprendizaje automático en dos fases.

Al planificar la introducción de algoritmos de aprendizaje automático más avanzados, métodos de aprendizaje aumentados y técnicas de aprendizaje profundo para adaptarse a los cambios dinámicos del mercado, WiMi proporcionará a los usuarios predicciones del precio del Bitcoin más precisas y fiables. En el espacio de los activos digitales, el modelo híbrido de aprendizaje automático en dos etapas de WiMi marca una innovación tecnológica. A través de una investigación en profundidad del mercado de Bitcoin y la aplicación de tecnología punta, rompe las limitaciones de los modelos tradicionales y proporciona a los inversores y comerciantes una herramienta nueva y más fiable para la predicción del precio de Bitcoin.

WiMi ofrece un enfoque sin precedentes para la predicción del precio del bitcoin. El desarrollo de este modelo no sólo es una importante contribución al campo de la tecnología financiera, sino que también proporciona a los inversores y comerciantes una herramienta de apoyo a la toma de decisiones más fiable y eficaz.