市场流动性对基于机器学习的加密货币价格预测的影响：一项比较分析
摘要 (Abstract)
加密货币市场正经历快速增长，但其固有的高波动性给美国市场的交易者带来了重大的价格预测挑战。现有预测模型普遍关注价格和交易量模式，却常常忽略市场流动性这一关键因素。本研究旨在填补这一空白，通过引入两个关键的流动性代理指标——交易量波动率比（VVR）和成交量加权平均价（VWAP）——来提升预测模型的准确性。我们针对XRP/USDT交易对，开发并评估了四种机器学习模型：线性回归、随机森林、XGBoost和长短期记忆（LSTM）神经网络。研究的核心发现是，在整合了流动性特征后，LSTM模型表现出卓越的预测能力，其R平方（R²）值达到了0.9295。这些结果凸显了在预测加密货币收盘价时考虑市场流动性的重要性，并为美国市场中的算法交易、机构投资以及开发更智能、风险意识更强的交易策略提供了宝贵的实践见解。
--------------------------------------------------------------------------------
1. 引言 (引言)
自诞生以来，加密货币已显著改变了金融格局。最初作为一种去中心化的利基实验，现已演变为一个庞大的市场。到2025年，加密货币市场的总市值已突破2万亿美元大关，吸引了从华尔街资深人士到普通投资者的广泛关注。然而，这种增长伴随着剧烈的价格波动，这种波动性受到投机行为、监管变化、市场情绪和资产流动性等多种因素的共同影响。其不可预测的特性使得传统的金融预测模型（如ARIMA）难以提供可靠的结果，凸显了开发更复杂、数据驱动的预测模型的战略重要性，这对于交易者和机构投资者而言至关重要。
本文的核心论点是，将市场流动性指标——一个在加密货币预测中常被忽视的因素——纳入考量，可以显著提升机器学习模型的准确性。流动性，简而言之，是指在不显著影响资产价格的情况下轻松买卖资产的能力。本研究引入了两个关键的流动性特征：交易量波动率比（Volume-to-Volatility Ratio, VVR）和成交量加权平均价（Volume-Weighted Average Price, VWAP），旨在通过捕捉市场的深度和稳定性来增强模型的预测能力。
本研究的目标清晰明确，具体如下：
* 评估四种机器学习模型（线性回归、随机森林、XGBoost和LSTM）在预测XRP/USDT收盘价方面的有效性。
* 通过消融研究，分析并量化市场流动性指标（VVR和VWAP）对模型预测性能的影响。
* 讨论研究结果对美国市场中算法交易和机构投资的实际意义。
为实现这些目标，本研究将首先回顾相关文献，以确立当前研究在现有知识体系中的位置。
2. 文献综述 (Literature Review)
本节旨在通过梳理金融预测方法从传统计量经济学模型到现代机器学习技术的演变，识别出关键的研究空白，并为本研究的贡献提供理论背景。
长期以来，诸如ARIMA和GARCH之类的传统金融时间序列模型在股票和外汇等结构化市场中表现良好。然而，这些模型依赖于线性假设，难以适应加密货币市场的混乱和非线性动态。加密货币价格受突发新闻、社交媒体情绪和监管公告等不可预测因素的驱动，其快速变化不符合传统模型所依赖的平稳模式。因此，在加密货币市场中使用这些模型，无异于“在雷暴中依赖指南针”，因为它们并非为如此动态和不稳定的环境而设计。
机器学习技术，尤其是深度学习，为应对这些挑战提供了强大的工具。长短期记忆网络（LSTM）等模型因其能够捕捉长期时间依赖性而备受青睐，使其非常适合处理加密货币价格数据中复杂的非线性模式，如突然的飙升和暴跌。此外，诸如随机森林和XGBoost等基于树的集成模型在处理大量特征和识别关键指标方面表现出色。已有研究表明，在预测高波动时期的比特币价格时，LSTM和集成模型的表现（以均方误差和R²分数衡量）显著优于传统方法。
市场流动性在传统金融市场中是影响价格稳定性和交易成本的决定性因素，堪称金融领域的“无声力量”。从Kyle（1985）提出的价格影响参数λ（即Kyle's Lambda）到Amihud（2002）提出的非流动性比率，理论和实证研究均证实了流动性在资产定价和风险管理中的核心地位。高流动性意味着价格稳定且交易成本低，而低流动性则可能导致即使是小额交易也会引发剧烈的价格波动或滑点。
尽管流动性在金融领域的重要性已得到公认，但在加密货币预测的机器学习模型中，它却经常被忽视。许多研究仅依赖于价格、交易量和技术指标，未能将流动性的细微影响纳入模型，从而在市场面临压力或交易量不足时形成了一个显著的“盲点”。这种疏忽会削弱模型在真实市场条件下的可靠性，尤其是在高波动期间。本研究正是为了填补这一空白，旨在通过将流动性指标整合到先进的机器学习框架中来提升预测的准确性和稳健性。
下一节将详细介绍我们为实现这一目标所采用的研究方法，特别是如何将流动性指标整合到我们的预测模型中。
3. 研究方法 (Methodology)
一个稳健且可复现的研究方法是确保研究结论可信度的基石。本节将详细阐述数据来源、特征工程过程、模型架构以及为严格评估流动性对预测性能影响而设计的实验方案。
数据来源与特征工程 (Data Sources and Feature Engineering)
本研究使用的数据集是XRP/USDT交易对的历史市场数据，来源于一家领先的加密货币市场聚合器。该数据集涵盖了数月的交易活动，包含了从平稳到剧烈波动的各种市场状况。核心特征包括每日的开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）以及以USDT计价的交易量（Volume）。
为了捕捉市场流动性的动态，我们设计了两个主要的流动性特征：
* 交易量波动率比 (Volume-to-Volatility Ratio, VVR): 该指标通过将日交易量除以当日最高价与最低价之差来计算，用于衡量相对于价格波动的交易活跃度。为确保数值稳定性，分母中加入了一个极小的epsilon值以防止除零错误。
* VVR = \frac{Daily \, Trading \, Volume}{(High \, Price - Low \, Price) + \epsilon}
* 成交量加权平均价 (Volume-Weighted Average Price, VWAP): 该指标反映了考虑交易量的加权平均交易价格，为市场提供了更稳定的价格基准。
* VWAP = \frac{\sum (Price \times Volume)}{\sum Volume}
除了这两个流动性指标外，我们还设计了其他特征，包括用于捕捉历史价格行为的滞后特征（如前一天的收盘价），以及经典的技术指标，如移动平均线（Moving Averages）、相对强弱指数（RSI）和移动平均收敛散度（MACD）。
模型架构与实验设计 (Model Architecture and Experimental Design)
本研究实施了四种机器学习模型：
* 线性回归 (Linear Regression): 作为基准模型，用于识别特征与收盘价之间的线性关系。
* 随机森林 (Random Forest): 一种基于决策树的集成模型，通过聚合多棵树的预测来减少过拟合。
* XGBoost: 一种优化的梯度提升算法，以其在结构化数据上的卓越性能而闻名。
* 长短期记忆网络 (LSTM): 一种循环神经网络，专门设计用于捕捉时间序列数据中的长期依赖关系。我们的LSTM模型包含多个堆叠的LSTM层、Dropout正则化和一个用于输出最终预测的全连接层。
为了保证时间序列预测的有效性，我们将数据集按时间顺序划分为训练集（70%）、验证集（15%）和测试集（15%）。这种划分方法保留了数据的时间依赖性，避免了数据泄露。
为了精确衡量流动性特征的影响，我们进行了一项消融研究。具体而言，我们对模型进行了两次训练和评估：一次不包含VVR和VWAP这两个流动性特征，另一次则包含它们。通过比较两种配置下的模型性能，我们可以分离并量化流动性指标的贡献。
评估指标 (Evaluation Metrics)
我们使用以下三个标准指标来评估模型的预测性能：
* 平均绝对误差 (Mean Absolute Error, MAE): 衡量预测值与实际值之间平均绝对差异的指标。
* 均方误差 (Mean Squared Error, MSE): 衡量预测误差平方的平均值，对较大的误差给予更高的权重。
* R平方 (R-squared, R²): 表示模型解释的目标变量方差的比例，值越接近1表示模型拟合效果越好。
通过这套严谨的方法，我们旨在为后续的结果分析提供坚实的实证基础。
4. 结果与分析 (Results and Analysis)
本节将呈现实验的实证结果。分析将首先涵盖在未加入流动性特征时各模型的性能，随后详细评估加入了流动性特征的LSTM模型的表现，最后通过消融研究的直接对比，全面揭示流动性特征的影响。
无流动性特征的模型性能 (Performance of Models Without Liquidity Features)
在排除流动性特征（VVR和VWAP）的情况下，传统机器学习模型的表现差异显著。令人意外的是，线性回归模型表现出色，取得了0.9788的R²分数，表明它成功捕捉了输入特征与收盘价之间的强线性关系。相比之下，两种集成模型——XGBoost和随机森林——表现不佳，其R²分数均为负值。这表明在没有丰富的流动性特征支持下，这些模型未能准确捕捉时间的动态变化，甚至可能出现了过拟合，其预测效果比简单地预测平均价格还要差。
表：无流动性特征的模型性能
模型 (Model) MAE MSE R² Score
Linear Regression 0.0238 0.00147 0.9788
XGBoost 0.1935 0.0756 -0.0935
Random Forest 0.1968 0.0792 -0.1454
包含流动性特征的LSTM模型性能 (Performance of the LSTM Model with Liquidity Features)
作为本研究的核心模型，加入了流动性特征的LSTM模型展现了强大的预测能力。其关键性能指标如下：R²分数为0.9295，MSE为0.000911，MAE为0.0212。高R²分数表明该模型解释了超过92%的目标变量方差，而极低的MSE和MAE值则证明了其预测的精确性。
模型的训练和验证损失曲线显示，两条曲线在训练初期迅速下降并最终收敛，表明模型有效学习了数据中的模式，并且没有出现显著的过拟合现象。此外，通过对比实际价格与预测价格的走势图，可以清晰地看到，该模型不仅准确地追踪了主要的市场价格趋势和波动，还成功捕捉到了关键的价格转向点。这证明了模型不仅是在拟合数据，而是在真正理解市场的内在节奏。
消融研究：流动性特征的影响 (Ablation Study: The Impact of Liquidity Features)
为了量化流动性特征的价值，我们进行了消融研究，其结果明确揭示了VVR和VWAP对不同模型架构的复杂影响。如下表所示，流动性特征显著提升了顶级模型（LSTM）的性能。然而，一个重要的反直觉发现是，这些特征严重削弱了基准线性回归模型的表现。
表1：模型性能比较（包含与不包含流动性特征）
| 模型 (Model) | 流动性特征 (Liquidity Features) | MAE | MSE | R² Score | | :--- | :--- | :--- | :--- | | LSTM | Included | 0.0212 | 0.000911 | 0.9295 | | Linear Regression | Included | 0.0421 | 0.0036 | 0.7610 | | Linear Regression | Not Included | 0.0238 | 0.00147 | 0.9788 | | XGBoost Regressor | Not Included | 0.1935 | 0.0756 | -0.0935 | | Random Forest Regressor | Not Included | 0.1968 | 0.0792 | -0.1454 |
具体而言，加入流动性特征后，线性回归模型的MAE从0.0238激增至0.0421（增加了77%），R²分数从极高的0.9788骤降至0.7610。这一结果表明，对于简单的线性模型而言，VVR和VWAP引入了非线性噪声而非清晰信号，或与现有技术指标存在多重共线性问题。这一发现强调了选择能够处理复杂特征交互的先进模型架构（如LSTM）的必要性。
综合所有证据，包含流动性特征的LSTM模型被确定为本次比较分析中的最佳模型。它不仅在各项评估指标上表现优异，而且其预测结果与真实市场动态高度一致。
这些实证结果为我们下一节的讨论奠定了基础，我们将在其中探讨这些发现的深层含义。
5. 讨论 (Discussion)
本节将超越量化结果，深入解读其背后的意义，探讨LSTM模型脱颖而出的原因、流动性特征有效的经济学原理，以及这些发现对美国加密货币市场的实际影响。
主要发现的解读
在本次比较分析中，LSTM模型的卓越表现并非偶然。其核心优势在于其固有的处理序列数据的能力。与孤立地看待每个数据点的传统模型不同，LSTM能够“记忆”历史模式，从而捕捉到非线性金融市场中至关重要的趋势、动量变化和周期性信号。这种对时间依赖性的理解能力，使得它在预测混乱且快速变化的市场时具有天然优势。相比之下，树模型（如XGBoost和随机森林）在缺乏足够丰富的特征时，难以有效捕捉时间序列的内在结构。
线性回归模型在增加流动性特征后性能下降是一个值得注意的发现。这可能表明，流动性与价格之间的关系本质上是非线性的，将其强行纳入线性模型反而增加了噪声而非信号。另一种可能是，基准线性回归模型的出色表现（R²为0.9788）表明它已通过滞后特征捕捉了主要趋势，而额外的流动性指标在没有像LSTM这样更复杂的架构来恰当 contextualize 的情况下，引入了混淆变量。
流动性感知特征的有效性
将VVR和VWAP纳入LSTM模型，被证明是提升预测准确性的关键一步。这背后的经济学原理是直观的：流动性更高的市场通常表现得更平稳、更可预测。VVR之所以特别有效，是因为它量化了市场的信念强度：高交易量伴随低波动（高VVR）预示着稳定的趋势，而高交易量伴随高波动（低VVR）则意味着不确定性。相比之下，VWAP提供了一个比简单收盘价更稳健的价格锚点，因为它不易受到单个大型、可能具有操纵性的期末交易的影响。LSTM模型能够有效处理这些微妙且依赖时间的信号，正是它能够成功利用这些特征的原因，而这恰恰是简单模型所欠缺的。
在美国市场的实际应用
本研究的发现对美国加密货币市场的各类参与者具有重要的实际意义：
* 对于算法交易者 (For Algorithmic Traders): 将流动性敏感特征集成到交易模型中，可以帮助他们优化交易执行，最大限度地减少滑点，并降低市场冲击成本。通过实时监控VVR和VWAP等指标，交易者可以更精准地选择进入和退出的时机。
* 对于机构投资者 (For Institutional Investors): 更准确的价格预测有助于改善投资组合的分配和对冲策略。同时，在日益严格的监管环境下，使用能够证明“最佳执行”的复杂模型，有助于满足美国证券交易委员会（SEC）等机构的合规要求。
* 对于金融科技开发者 (For FinTech Developers): 具备流动性感知的预测模型可以增强机器人顾问、风险管理仪表盘和移动交易应用等金融工具的功能。这不仅能提升用户体验，还能为终端用户提供更智能、更具适应性的决策支持。
研究的局限性
尽管本研究取得了积极成果，但仍存在一些局限性，需要在未来的工作中加以解决：
* 单一交易对: 研究仅集中于XRP/USDT，其结论是否适用于比特币、以太坊等其他具有不同市场动态的加密货币尚待验证。
* 外部数据源的缺失: 本研究未包含社交媒体情绪和链上数据等外部信号，而这些数据已被证明在捕捉市场行为方面具有价值。
* 缺乏情景检测: 模型未区分牛市和熊市等不同的市场情景。开发能够根据市场状况调整策略的模型，可能会进一步提高其稳健性。
* 未考虑市场操纵: 研究没有明确处理“洗售交易”等市场操纵行为，这些行为可能会扭曲基于交易量的流动性指标。
认识到这些局限性为我们指明了未来研究的方向，我们将在下一节进行探讨。
6. 结论与未来工作 (结论 and Future Work)
本研究旨在通过整合市场流动性指标来构建更智能的机器学习模型，以预测美国数字资产市场中的XRP/USDT价格。我们发现，大多数现有预测模型忽略了流动性这一关键因素。通过引入交易量波动率比（VVR）和成交量加权平均价（VWAP），我们为模型提供了超越传统价格和交易量数据的深层市场洞察。在对线性回归、随机森林、XGBoost和LSTM四种模型进行比较后，我们的主要结论是：整合了流动性指标的LSTM模型在预测准确性和稳定性方面表现最佳。这一发现证实了我们的核心假设，即理解时间序列模式并结合市场结构信号，对于在复杂的加密货币市场中创建稳健可靠的预测系统至关重要。
基于本研究的发现和局限性，我们提出以下未来工作方向，以期推动该领域的发展：
1. 扩展到更广泛的加密货币 (Broader Cryptocurrency Universe): 将当前的建模框架应用于比特币（BTC）、以太坊（ETH）等其他主流及非主流加密货币。这将有助于检验该方法的普适性和稳健性，并揭示不同代币在流动性动态方面的差异。
2. 整合额外的数据源 (Additional Feature Sources): 引入社交媒体情绪分析和链上数据（如活跃地址数、交易费用、网络哈希率等）。这些数据源可以捕捉市场行为和网络健康状况的信号，为模型提供更全面的信息维度。
3. 探索先进的建模技术 (Advanced Modeling Techniques): 研究更新的神经网络架构，如Transformer模型（例如，Temporal Fusion Transformer），这些模型在处理长程依赖和多变量时间序列方面表现出巨大潜力。同时，探索混合集成模型，将LSTM或Transformer与XGBoost等树模型相结合，以同时捕捉序列动态和复杂的特征交互。
4. 实现情景感知和在线学习 (Regime-Aware and Online Learning): 开发能够自动识别市场情景（如牛市、熊市、盘整期）并相应调整预测策略的模型。此外，实施在线学习机制，使模型能够从实时数据流中持续学习和更新，以适应快速变化的市场环境。
5. 考虑部署时的挑战 (Deployment Considerations): 关注模型在实际交易系统中的部署问题，包括延迟（latency）、计算效率和可解释性。研究模型压缩、量化和推理优化技术，以确保模型在需要实时响应的高频交易环境中能够高效运行。
通过在这些方向上的持续努力，我们有望构建出更强大、更实用、更值得信赖的加密货币价格预测系统。
参考文献 (References)
1. Al Montaser, M. A., Ghosh, B. P., Barua, A., Karim, F., Das, B. C., Shawon, R. E. R., & Chowdhury, M. S. R. (2025). Sentiment analysis of social media data: Business insights and consumer behavior trends in the USA. Edelweiss Applied Science and Technology, 9(1), 545–565. https://doi.org/10.55214/25768484.v9i1.4164.
2. Amihud, Yakov (2002). “Illiquidity and stock returns: cross-section and time-series effects.” Journal of Financial Markets, 5(1), 31–56. https://doi.org/10.1016/S1386-4181(01)00024-6.
3. Barberis, Nicholas; Shleifer, Andrei; Vishny, Robert (1998). “A Model of Investor Sentiment.” Journal of Financial Economics, 49(3), 307–343.
4. Bhowmik, P. K., Chowdhury, F. R., Sumsuzzaman, M., Ray, R. K., Khan, M. M., Gomes, C. A. H., ... & Gomes, C. A. (2025). AI-Driven Sentiment Analysis for Bitcoin Market Trends: A Predictive Approach to Crypto Volatility. Journal of Ecohumanism, 4(4), 266–288. https://doi.org/10.62754/joe.v4i4.6729.
5. Chen, K., Zhou, Y., & Dai, F. (2015). A LSTM-based method for stock returns prediction: A case study of China stock market. IEEE International Conference on Big Data. https://doi.org/10.1109/BigData.2015.7364089.
6. Chordia, T., Roll, R., & Subrahmanyam, A. (2005). Evidence on the speed of convergence to market efficiency. Journal of Financial Economics, 76(2), 271–292. https://doi.org/10.1016/j.jfineco.2004.06.004.
7. Das, B. C., Sarker, B., Saha, A., Bishnu, K. K., Sartaz, M. S., Hasanuzzaman, M., ... & Khan, M. M. (2025). Detecting Cryptocurrency Scams in the USA: A Machine Learning-Based Analysis of Scam Patterns and Behaviors. Journal of Ecohumanism, 4(2), 2091–2111. https://doi.org/10.62754/joe.v4i2.6604.
8. Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of UK Inflation. Econometrica, 50(4), 987–1007. https://doi.org/10.2307/1912773.
9. Foucault, T., Pagano, M., & Röell, A. (2013). Market Liquidity: Theory, Evidence, and Policy. Oxford University Press.
10. Hasan, M. S., Siam, M. A., Ahad, M. A., Hossain, M. N., Ridoy, M. H., Rabbi, M. N. S., ... & Jakir, T. (2024). Predictive Analytics for Customer Retention: Machine Learning Models to Analyze and Mitigate Churn in E-Commerce Platforms. Journal of Business and Management Studies, 6(4), 304–320. https://doi.org/10.32996/jbms.2024.6.4.22.
11. Hasanuzzaman, M., Hossain, M., Rahman, M. M., Rabbi, M. M. K., Khan, M. M., Zeeshan, M. A. F., ... & Kawsar, M. (2025). Understanding Social Media Behavior in the USA: AI-Driven Insights for Predicting Digital Trends and User Engagement. Journal of Ecohumanism, 4(4), 119–141. https://doi.org/10.62754/joe.v4i4.6717.
12. Hossain, M. I., Khan, M. N. M., Fariha, N., Tasnia, R., Sarker, B., Doha, M. Z., ... & Siam, M. A. (2025). Assessing Urban-Rural Income Disparities in the USA: A Data-Driven Approach Using Predictive Analytics. Journal of Ecohumanism, 4(4), 300–320. https://doi.org/10.62754/joe.v4i4.6733.
13. Islam, M. R., Hossain, M., Alam, M., Khan, M. M., Rabbi, M. M. K., Rabby, M. F., ... & Tarafder, M. T. R. (2025). Leveraging Machine Learning for Insights and Predictions in Synthetic E-commerce Data in the USA: A Comprehensive Analysis. Journal of Ecohumanism, 4(2), 2394–2420. https://doi.org/10.62754/joe.v4i2.6635.
14. Islam, M. S., Bashir, M., Rahman, S., Al Montaser, M. A., Bortty, J. C., Nishan, A., & Haque, M. R. (2025). Machine Learning-Based Cryptocurrency Prediction: Enhancing Market Forecasting with Advanced Predictive Models. Journal of Ecohumanism, 4(2), 2498–2519. https://doi.org/10.62754/joe.v4i2.6663.
15. Islam, M. Z., et al. (2025). Machine Learning-Based Detection and Analysis of Suspicious Activities in Bitcoin Wallet Transactions in the USA. Journal of Ecohumanism, 4(1), 3714–3734. https://doi.org/10.62754/joe.v4i1.6214.
16. Jakir, T., Rabbi, M. N. S., Rabbi, M. M. K., Ahad, M. A., Siam, M. A., Hossain, M. N., ... & Hossain, A. (2023). Machine Learning-Powered Financial Fraud Detection: Building Robust Predictive Models for Transactional Security. Journal of Economics, Finance and Accounting Studies, 5(5), 161–180. https://doi.org/10.32996/jefas.2023.5.5.16.
17. Kyle, Albert S. (1985). “Continuous Auctions and Insider Trading.” Econometrica, 53(6), 1315–1336. https://doi.org/10.2307/1913210.
18. Kyle, A. S., & Obizhaeva, A. A. (2016). Market microstructure invariance: Theory and empirical tests. Econometrica, 84(4), 1345–1404. https://doi.org/10.3982/ECTA10486.
19. Kristjanpoller, W., & Minutolo, M. (2016). Forecasting volatility of oil prices using an artificial neural network-GARCH model. Expert Systems with Applications, 65, 233–241. https://doi.org/10.1016/j.eswa.2016.08.045.
20. McNally, S., Roche, J., & Caton, S. (2018). Predicting the price of Bitcoin using Machine Learning. 20th International Conference on Information Integration and Web-based Applications & Services. https://doi.org/10.1109/PDP2018.2018.00060.
21. Mohaimin, M. R., Das, B. C., Akter, R., Anonna, F. R., Hasanuzzaman, M., Chowdhury, B. R., & Alam, S. (2025). Predictive Analytics for Telecom Customer Churn: Enhancing Retention Strategies in the US Market. Journal of Computer Science and Technology Studies, 7(1), 30–45.
22. Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System. White Paper. https://doi.org/10.32996/jcsts.2025.7.1.3.
23. Rana, M. S., Chouksey, A., Hossain, S., Sumsuzoha, M., Bhowmik, P. K., Hossain, M., ... & Zeeshan, M. A. F. (2025). AI-Driven Predictive Modeling for Banking Customer Churn: Insights for the US Financial Sector. Journal of Ecohumanism, 4(1), 3478–3497. https://doi.org/10.62754/joe.v4i1.6188.
24. Rahman, M. S., Hossain, M. S., Rahman, M. K., Islam, M. R., Sumon, M. F. I., Siam, M. A., & Debnath, P. (2025). Enhancing Supply Chain Transparency with Blockchain: A Data-Driven Analysis of Distributed Ledger Applications. Journal of Business and Management Studies, 7(3), 59–77. https://doi.org/10.32996/jbms.2025.7.3.7.
25. Ray, R. K., Sumsuzoha, M., Faisal, M. H., Chowdhury, S. S., Rahman, Z., Hossain, E., ... & Rahman, M. S. (2025). Harnessing Machine Learning and AI to Analyze the Impact of Digital Finance on Urban Economic Resilience in the USA. Journal of Ecohumanism, 4(2), 1417–1442. https://doi.org/10.62754/joe.v4i2.6515.
26. Sebastiao, H., & Godinho, P. (2021). Forecasting and trading cryptocurrencies with machine learning under changing market conditions. Financial Innovation, 7(1), 1–30. https://doi.org/10.1186/s40854-020-00217-x.
27. Shawon, R. E. R., Hasan, M. R., Rahman, M. A., Al Jobaer, M. A., Islam, M. R., Kawsar, M., & Akter, R. (2025). Designing and Deploying AI Models for Sustainable Logistics Optimization: A Case Study on Eco-Efficient Supply Chains in the USA. Journal of Ecohumanism, 4(2), 2143–2166. https://doi.org/10.62754/joe.v4i2.6610.
28. Sizan, M. M. H., et al. (2025). Advanced Machine Learning Approaches for Credit Card Fraud Detection in the USA: A Comprehensive Analysis. Journal of Ecohumanism, 4(2), 883–905. https://doi.org/10.62754/joe.v4i2.6377.
29. Sizan, M. M. H., et al. (2025). Bankruptcy Prediction for US Businesses: Leveraging Machine Learning for Financial Stability. Journal of Business and Management Studies, 7(1), 01–14. https://doi.org/10.32996/jbms.2025.7.1.1.
30. Tsay, R. S. (2010). Analysis of Financial Time Series (Vol. 543). John Wiley & Sons. https://doi.org/10.1002/9780470644560.
31. Tiwari, A. K., Jana, R. K., Das, D., & Roubaud, D. (2021). Forecasting Bitcoin returns using ARFIMA, GARCH and machine learning models: An application to the Covid-19 crisis. Research in International Business and Finance, 58, 101437.
