An Explainable Multimodal Framework for Real-Time Bitcoin Forecasting

Dipesh Badal

doi:10.1145/3777490.3777508

2026-01-01

PRE

Dipesh Badal *

Abdelsalam Busalim

Donghyeok Lee

DOI：10.1145/3777490.3777508

原文链接

原文求助

摘要

En 中文

高频加密货币预测需要具备准确性、可解释性且面向人类决策的系统。由于比特币具有高波动性以及对异构的技术、基本面和情绪信号的敏感性，它为以人为中心的AI（HCAI）带来了独特挑战。本文提出了一种用于比特币15分钟分辨率预测的可解释多模态框架。我们将五种模态——市场数据、链上指标、恐惧与贪婪指数（FGI）、新闻和Reddit——对齐到一个统一的、无信息泄露的15分钟网格上。我们使用时间序列分割评估基于树、顺序和多模态融合块（MFB）模型对下一区间对数收益率的预测。结果表明，尽管短期预测仍具挑战性，但多模态特征持续优于结构化基线，特别是在事件驱动期间。为确保透明度，该框架整合了双层解释系统：SHapley加性解释（SHAP）归因与大型语言模型（LLM）叙事相结合，确保输出既技术可靠又易于人类理解。本研究揭示了复杂预测架构的黑箱，将不透明的多模态信号转化为透明、可操作的高频交易决策支持。

Keyword:

Bitcoin Forecasting

Multimodal Data

Machine Learning

Deep Learning

Explainable AI

SHAP