Non-fungible token price prediction with multivariate LSTM neural networks
Lade...
Autor:innen
Autor:in (Körperschaft)
Publikationsdatum
2022
Typ der Arbeit
Studiengang
Typ
04B - Beitrag Konferenzschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
2022 9th International Conference on Soft Computing & Machine Intelligence (ISCMI)
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
Ausgabe / Nummer
Seiten / Dauer
56-61
Patentnummer
Verlag / Herausgebende Institution
IEEE
Verlagsort / Veranstaltungsort
Toronto
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
In this paper, we investigate how to forecast Non-Fungible Token (NFT) sale prices by using multiple multivariate time series datasets containing features related to the NFT market space. We examined eight recent studies regarding the forecasting and valuation of NFTs and compared their most important findings. This laid the fundamental work for two separate machine learning prototypes based on Long Short-Term Memory (LSTM) which are able to forecast the sale price history of an individual NFT asset. Root Mean Squared Errors (RMSE) of 0.2975 and 0.24 were obtained which appears to be promising.
Schlagwörter
Fachgebiet (DDC)
Veranstaltung
Soft Computing & Machine Intelligence (ISCMI)
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
979-8-3503-2088-6
979-8-3503-2087-9
979-8-3503-2087-9
ISSN
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Closed
Lizenz
Zitation
Branny, J., Dornberger, R., & Hanne, T. (2022). Non-fungible token price prediction with multivariate LSTM neural networks. 2022 9th International Conference on Soft Computing & Machine Intelligence (ISCMI), 56–61. https://doi.org/10.1109/ISCMI56532.2022.10068442