EVENT DOSSIER
2026 年 9 月，arXiv 发布 PRICE 系统研究，提出一种基于 4-bit 量化 LLaMA-3 8B 模型的比特币短期价格预测方法。该系统整合了参数高效微调（LoRA）、递归多步推理、整数舍入数值表示及零温度解码等组件。经与八种基于 Transformer 和时间序列的基础模型对比测试，PRICE 在验证集和测试集上均实现最低预测误差。研究指出，该方法在非时间序列预训练数据下表现优于或持平于专业模型，并通过消融实验验证了各组件对准确性的贡献。
arXiv:2609.05235v1 PRICE 提出 LLM 适配 Bitcoin 价格预测新框架
PRICE 系统研究了一种基于 4-bit 量化 LLaMA-3 8B 模型的 LLM 适应方法，用于短期比特币价格预测。该方法整合了参数高效微调（LoRA）、递归多步推理、整数舍入数值表示、上下文 - 任务 - 格式（CTF）提示及零温…
PRICE 系统研究提出了一种基于 4-bit 量化 LLaMA-3 8B 模型的 Bitcoin 短期价格预测方法。该研究整合了参数高效微调（LoRA）、递归多步推理、整数舍入数值表示、上下文 - 任务 - 格式提示及零温度解码等组件，…
PRICE 系统研究了一种基于 4-bit 量化 LLaMA-3 8B 模型的 LLM 适应方法，用于短期比特币价格预测。该方法整合了参数高效微调（LoRA）、递归多步推理、整数舍入数值表示、上下文 - 任务 - 格式（CTF）提示及零温度解码技术。消融实验表明，各组件均提升了预测准确性与可靠性；其中 CTF 提示优于思维链及其他少样本提示方法，零温度解码增强了递归预测稳定性。对比八种基于 Transformer 和时间序列的基础模型，PRICE 在验证集和测试集上均实现了最低预测误差，且在不依赖时间序列预训练数据的情况下表现优于或持平于专业基础模型。研究证实，适应选择对 LLM 在数值时间序列预测中的准确性与鲁棒性起决定性作用。
PRICE 系统研究提出了一种基于 4-bit 量化 LLaMA-3 8B 模型的 Bitcoin 短期价格预测方法。该研究整合了参数高效微调（LoRA）、递归多步推理、整数舍入数值表示、上下文 - 任务 - 格式提示及零温度解码等组件，并通过消融实验验证各部分对预测准确性的贡献。与八种基于 Transformer 和时间序列的基础模型对比测试显示，PRICE 在验证集和测试集上均实现了最低预测误差，且在非时间序列预训练数据下表现优于或持平于专业模型。