Adaptive Temporal-Fusion-Transformer für Krypto-Kursprognosen

Zusammenfassung

Das Paper schlägt einen adaptiven Temporal-Fusion-Transformer-Ansatz für kurzfristige Kursprognosen von Kryptowährungen vor. Er adressiert Nichtstationarität und starke Kursschwankungen, indem die Zeitreihe in Segmente variabler Länge unterteilt wird, die an relativen Maxima enden: Punkten, an denen der Anstieg gegenüber einem vorherigen Minimum einen Schwellenwert überschreitet. So sollen bedeutsame Aufwärtsphasen markiert und einige Störsignale herausgefiltert werden. Ein Muster fester Länge am Ende eines Segments bestimmt die Kategorie des nächsten Segments. Dadurch werden nachfolgende Kurspfade anhand ihrer vorherigen Bedingungen gruppiert.

Für jede Kategorie wird ein eigener TFT trainiert, um die Entwicklung des nächsten Segments anhand seiner ersten Beobachtungen vorherzusagen. Die Experimente nutzen Zehn-Minuten-Daten für ETH-USDT und einen zweimonatigen Testzeitraum. Das Dokument berichtet eine höhere Prognosegenauigkeit und simulierte Handelsrentabilität als bei den Baselines mit festgelegter Länge TFT und LSTM. Diese Ergebnisse beziehen sich auf das angegebene Asset, Intervall und den Testzeitraum. Das Dokument belegt nicht, ob sich die Methode auf andere Kryptowährungen, Marktregime oder den Live-Handel nach Ausführungskosten übertragen lässt.

Kernaussagen

• Segmente variabler Länge enden, wenn der Anstieg gegenüber einem vorherigen Minimum einen Schwellenwert überschreitet.
• Das letzte Muster fester Länge eines Segments ordnet das nächste Segment einer Kategorie zu.
• Separate TFT-Modelle prognostizieren nachfolgende Segmente für jede Musterskategorie.
• Der berichtete ETH-USDT-Test übertrifft Baselines mit festgelegter Länge TFT und LSTM bei Genauigkeit und simulierter Rentabilität.
• Die Evidenz beschränkt sich auf das angegebene Asset, das Abtastintervall und den Testzeitraum.

Schlagwörter

# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction


# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction









Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.

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.