Deep State Space Recurrent Neural Networks for Time Series Forecasting

本文探讨了各种神经网络架构来模拟加密货币市场的动态。传统的线性模型往往不能准确地捕捉到这个市场独特而复杂的动态。相反，深度神经网络（DNNs）已经证明在时间序列预测方面具有相当的熟练能力。本文介绍了一种新颖的神经网络框架，它将计量经济学状态空间模型的原则与递归神经网络（RNNs）的动态能力相结合。我们提出了使用长短期记忆（LSTM）、门控残差单元（GRU）和时间Kolmogorov-Arnold网络（TKANs）的状态空间模型。根据结果，灵感来自Kolmogorov-Arnold网络（KANs）和LSTM的TKANs展示了很有前途的结果。

论文旨在探索使用深度神经网络来模拟加密货币市场的动态，因为传统的线性模型无法准确捕捉这个市场的独特和复杂的动态。

论文提出了一种新颖的神经网络框架，将计量经济学状态空间模型的原则与递归神经网络的动态能力相结合。作者提出了使用长短期记忆（LSTM）、门控残差单元（GRU）和时间Kolmogorov-Arnold网络（TKAN）的状态空间模型。根据结果，TKANs表现出有希望的结果。

论文使用了LSTM、GRU和TKANs等神经网络模型，进行了实验验证。研究表明，TKANs在预测加密货币市场的动态方面表现出了良好的结果。此外，论文提出的神经网络框架也为解决其他时间序列预测问题提供了新思路。

最近在这个领域中，还有一些相关的研究，例如《Deep Learning for Cryptocurrency Price Prediction: A Comparative Study》和《Forecasting Cryptocurrency Prices with Deep Learning using TensorFlow》等。