Neues Hybrid-Modell verbessert Bitcoin-Preisprognosen

Die Vorhersage des Bitcoin-Preises bleibt eine der größten Herausforderungen im Kryptowährungsmarkt. Dezentrale Börsen sind nichtlinear, extrem volatil und weisen zeitliche Unregelmäßigkeiten auf, was klassische Prognosemodelle stark belastet.

In einer kürzlich veröffentlichten Studie wurde ein neuartiges, gestapeltes Generalisierungsframework namens TFT‑ACB‑XML vorgestellt. Das System kombiniert zwei parallele Basislernermodelle: einen maßgeschneiderten Temporal Fusion Transformer (TFT), der langfristige Abhängigkeiten und globale zeitliche Dynamiken mit variablenauswahlbasierten Netzwerken und interpretierbarer Single‑Head‑Attention erfasst, sowie ein Attention‑Customised Bidirectional Long Short‑Term Memory (ACB), das mit einer neuen Aufmerksamkeitsmechanik kurzfristige Sequenzabhängigkeiten abbildet.

Die Vorhersagen beider Basismodelle werden zunächst über eine Fehler‑Reziprocal‑Gewichtung angepasst – Modelle mit geringerer Fehlerquote erhalten höhere Gewichte. Anschließend werden die gewichteten Ausgaben zu einem Feature‑Vektor zusammengeführt und an einen XGBoost‑Regressor übergeben, der nichtlineare Residuen erfasst und die finale Preisvorhersage liefert.

Durch die Anwendung auf Bitcoin‑Daten vom 1. Oktober 2014 bis zum 5. Januar 2026 zeigte das TFT‑ACB‑XML-Framework eine signifikante Leistungssteigerung gegenüber aktuellen Deep‑Learning‑ und Transformer‑Basismodellen. Die Ergebnisse unterstreichen das Potenzial von hybriden, interpretierten Lernarchitekturen für die Finanzprognose in hochvolatilen Märkten.