Ein mehrskaliges residuales CNN und LSTM zur Bitcoin-Prognose

Zusammenfassung

Die Arbeit schlägt MRC-LSTM vor, ein Modell, das ein mehrskaliges residuales Faltungsmodul mit einem Long Short-Term Memory-Netzwerk kombiniert, um den täglichen Schlusskurs von Bitcoin in USD vorherzusagen. Eindimensionale Faltungen dienen dazu, Merkmale über verschiedene Zeitskalen in multivariaten Reihen zu erkennen und zu kombinieren, während das LSTM längerfristige Abhängigkeiten erfasst. Zu den Eingaben gehören Handelsinformationen zu Bitcoin sowie externe Faktoren wie makroökonomische Variablen und die Aufmerksamkeit von Anlegern.

Experimente vergleichen das Modell mit anderen Netzwerkstrukturen und berichten, dass es bei der Bitcoin-Prognose signifikant besser abschneidet. Weitere Experimente mit Ethereum und Litecoin werden als Beleg für den Einsatz bei kurzfristigen multivariaten Kryptowährungsprognosen angeführt. Die vorliegende Beschreibung nennt weder den Datenzeitraum noch Bewertungsmaße, detaillierte Baselines oder außerstichprobliche Handelsergebnisse. Sie zeigt daher nicht, ob eine bessere Preisprognose zu profitablen Strategien führt oder sich unter anderen Bedingungen bewährt.

Kernaussagen

• MRC-LSTM kombiniert ein mehrskaliges residuales Faltungsnetzwerk mit einem LSTM, um Bitcoin-Schlusskurse vorherzusagen.
• Die Faltungskomponente erkennt und verbindet Merkmale über verschiedene Zeitskalen in multivariaten Daten.
• Die LSTM-Komponente erfasst längerfristige Abhängigkeiten in der Reihe.
• Die Studie bezieht neben Handelsdaten auch makroökonomische Variablen und Maße zur Aufmerksamkeit von Anlegern ein.
• Die berichteten Vergleiche sprechen für das vorgeschlagene Modell; weitere Kryptowährungsexperimente werden angeführt, doch die Beschreibung enthält keine Belege zur Handelsleistung.

Schlagwörter

# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price


# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price









Bitcoin, one of the major cryptocurrencies, presents great opportunities and challenges with its tremendous potential returns accompanying high risks. The high volatility of Bitcoin and the complex factors affecting them make the study of effective price forecasting methods of great practical importance to financial investors and researchers worldwide. In this paper, we propose a novel approach called MRC-LSTM, which combines a Multi-scale Residual Convolutional neural network (MRC) and a Long Short-Term Memory (LSTM) to implement Bitcoin closing price prediction. Specifically, the Multi-scale residual module is based on one-dimensional convolution, which is not only capable of adaptive detecting features of different time scales in multivariate time series, but also enables the fusion of these features. LSTM has the ability to learn long-term dependencies in series, which is widely used in financial time series forecasting. By mixing these two methods, the model is able to obtain highly expressive features and efficiently learn trends and interactions of multivariate time series. In the study, the impact of external factors such as macroeconomic variables and investor attention on the Bitcoin price is considered in addition to the trading information of the Bitcoin market. We performed experiments to predict the daily closing price of Bitcoin (USD), and the experimental results show that MRC-LSTM significantly outperforms a variety of other network structures. Furthermore, we conduct additional experiments on two other cryptocurrencies, Ethereum and Litecoin, to further confirm the effectiveness of the MRC-LSTM in short-term forecasting for multivariate time series of cryptocurrencies.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.