التنبؤ بـLSTM لتحركات أسعار العملات الرقمية قصيرة الأجل من بيانات التداول

الملخص

تصف هذه الورقة نموذج الذاكرة طويلة الأمد قصيرة الأجل الذي يتنبأ باتجاه سعر العملة الرقمية على أفق قصير ثابت، باستخدام بيانات كل صفقة خلال نافذة تاريخية سابقة. ويتضمن سير العمل تصميم السمات والبحث عن المعلمات الفائقة، مع تدريب يستند إلى ما يقارب عامًا من مشاهدات المعاملات.

يذكر المؤلفون دقة خارج العينة تتجاوز 60%، ويقولون إن الأداء يظل مستقرًا عبر فترات الاختبار، كما يصفون محاكاة تداول أمكن فيها تسييل التنبؤات. ويذكرون أيضًا أن المعلمات المدربة على بعض الأدوات تحافظ على أدائها في عملات رقمية أخرى. ولا يحدد المقتطف الأصول أو أفق التنبؤ أو تواريخ العينة أو افتراضات المحاكاة أو الأداء بعد الرسوم والانزلاق السعري. لذا لا تثبت النتائج المبلغ عنها الربحية في التداول الفعلي أو إمكانية النقل الشامل عبر أسواق العملات الرقمية.

الأفكار الرئيسية

• يستخدم الإطار شبكات LSTM للتنبؤ باتجاه أسعار العملات الرقمية على أفق قصير من مشاهدات كل صفقة.
• يشكل تصميم السمات والبحث عن المعلمات الفائقة جزأين أساسيين من عملية النمذجة.
• تذكر الورقة دقة خارج العينة تتجاوز 60% ومحاكاة تداول أمكن فيها تسييل التنبؤات.
• تذكر الورقة إمكانية نقل الأداء إلى أدوات عملات رقمية أخرى، لكنها لا تحدد التكاليف أو تفاصيل المحاكاة.

الوسوم

# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data


# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data









This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.