Pronóstico de tarifas de transacción de blockchain: una comparación de métodos de aprendizaje automático
Autores: Butler, Conall; Crane, Martin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Pronóstico de tarifas de transacción de blockchain: una comparación de métodos de aprendizaje automático
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Gas
Precio
Red
Pronóstico
Modelos
Transacción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Gas es el sistema de medición de tarifas de transacción de la red Ethereum. Los usuarios de la red deben seleccionar un precio de gas para enviar con su transacción, creando un riesgo de pagar de más o de que las transacciones se retrasen o no se procesen debido a esta selección. En este trabajo, investigamos datos después del Hard Fork de Londres y arrojamos luz sobre la dinámica de transacciones de la red después de esta importante bifurcación. Por lo tanto, este documento proporciona una actualización sobre el trabajo previo a 2019 sobre la relación entre EthUSD/BitUSD y el precio del gas. Para el pronóstico, comparamos una nueva combinación de métodos de aprendizaje automático como Direct-Recursive Hybrid LSTM, CNN-LSTM y Attention-LSTM. Estos se combinan con el filtrado de umbral wavelet y el procesamiento de datos de perfil de matriz hacia el pronóstico del precio mínimo de gas de bloque, en una escala de tiempo de 5 minutos, durante múltiples anticipaciones. Como la primera aplicación del perfil de matriz aplicada a datos de precio de gas y pronóstico que conocemos, este estudio demuestra que los datos de perfil de matriz pueden mejorar los modelos basados en atención; sin embargo, dadas las limitaciones de hardware, los modelos híbridos superaron a los modelos de atención y CNN-LSTM. La coherencia wavelet de las entradas muestra correlación en múltiples variables en una escala de tiempo de 1 día, lo cual es una desviación de base libre del precio del gas. Se descubrió que una estrategia Direct-Recursive Hybrid LSTM supera a otros modelos, con un RMSE promedio de 26.08 y R de 0.54 en una ventana de anticipación de 50 minutos en comparación con un RMSE de 26.78 y R de 0.452 en el modelo de atención más efectivo. Se muestra que los modelos híbridos tienen un rendimiento favorable hasta una anticipación de 20 minutos, con un rendimiento comparable a los modelos de atención al pronosticar de 25 a 50 minutos en adelante. Los pronósticos sobre una variedad de anticipaciones permiten a los usuarios tomar una decisión informada sobre la selección del precio del gas y la ventana óptima para enviar su transacción sin temor a que esta sea rechazada. Esto, a su vez, proporciona una visión más detallada de la dinámica del precio del gas que los recomendadores existentes, oráculos y enfoques de pronóstico, que proporcionan heurísticas simples o horizontes de anticipación limitados.
Descripción
Gas es el sistema de medición de tarifas de transacción de la red Ethereum. Los usuarios de la red deben seleccionar un precio de gas para enviar con su transacción, creando un riesgo de pagar de más o de que las transacciones se retrasen o no se procesen debido a esta selección. En este trabajo, investigamos datos después del Hard Fork de Londres y arrojamos luz sobre la dinámica de transacciones de la red después de esta importante bifurcación. Por lo tanto, este documento proporciona una actualización sobre el trabajo previo a 2019 sobre la relación entre EthUSD/BitUSD y el precio del gas. Para el pronóstico, comparamos una nueva combinación de métodos de aprendizaje automático como Direct-Recursive Hybrid LSTM, CNN-LSTM y Attention-LSTM. Estos se combinan con el filtrado de umbral wavelet y el procesamiento de datos de perfil de matriz hacia el pronóstico del precio mínimo de gas de bloque, en una escala de tiempo de 5 minutos, durante múltiples anticipaciones. Como la primera aplicación del perfil de matriz aplicada a datos de precio de gas y pronóstico que conocemos, este estudio demuestra que los datos de perfil de matriz pueden mejorar los modelos basados en atención; sin embargo, dadas las limitaciones de hardware, los modelos híbridos superaron a los modelos de atención y CNN-LSTM. La coherencia wavelet de las entradas muestra correlación en múltiples variables en una escala de tiempo de 1 día, lo cual es una desviación de base libre del precio del gas. Se descubrió que una estrategia Direct-Recursive Hybrid LSTM supera a otros modelos, con un RMSE promedio de 26.08 y R de 0.54 en una ventana de anticipación de 50 minutos en comparación con un RMSE de 26.78 y R de 0.452 en el modelo de atención más efectivo. Se muestra que los modelos híbridos tienen un rendimiento favorable hasta una anticipación de 20 minutos, con un rendimiento comparable a los modelos de atención al pronosticar de 25 a 50 minutos en adelante. Los pronósticos sobre una variedad de anticipaciones permiten a los usuarios tomar una decisión informada sobre la selección del precio del gas y la ventana óptima para enviar su transacción sin temor a que esta sea rechazada. Esto, a su vez, proporciona una visión más detallada de la dinámica del precio del gas que los recomendadores existentes, oráculos y enfoques de pronóstico, que proporcionan heurísticas simples o horizontes de anticipación limitados.