Abstract: D. H. Kim, F. J. Vanheusden, A. Kim (2025)

This study is the first to integrate recurrence plots, recurrence quantification analysis (RQA) and short-time Fourier Transform (STFT) to predict cryptocurrency market behaviour. Recurrence plots, RQA statistics and STFT spectrograms were calculated from return data and used as input in random forest algorithms as they are optimal tools for identifying non-linear dynamics in market data and analyse their frequency. Our optimised XGBoost algorithm provided a forecasting AUC above 76.7 % and accuracy of 70 % in predicting increasing or decreasing returns. This highlights the model's ability to support cryptocurrency investment decision-making within an interpretable machine learning framework.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Forecasting cryptocurrency markets using recurrence and time-frequency analysis-based machine learning algorithms