Krypto-Prognosen mit Deep NLP und Marktdaten

Zusammenfassung

Die Studie untersucht, ob Nachrichten und Beiträge aus sozialen Medien Bitcoin- und Ethereum-Kursprognosen verbessern können, wenn sie mit Finanz- und Blockchain-Daten kombiniert werden. Sie vergleicht vortrainierte und feinabgestimmte Sprachmodelle mit wörterbuchbasierten Sentimentmethoden und nutzt die Zero-Shot-Klassifikation BART MNLI, um bullishe oder bearishe Inhalte zu identifizieren. Zu den Prognosezielen zählen lokale Kursextreme und tägliche Bewegungen – eine Wahl, die Handelsfrequenz und Portfoliovolatilität verringern soll.

Die Autoren berichten, dass zusätzliche Textmerkmale die Prognosegenauigkeit verbessern und dass Deep-Learning-NLP-Methoden in den untersuchten Validierungsszenarien auch die Profitabilität und die Sharpe Ratio steigern. Das Dokument enthält keine detaillierten Angaben zu Stichprobengrößen, Bewertungsmetriken, Vergleichswerten oder Marktzeiträumen. Daher lassen sich Aussagekraft und Allgemeingültigkeit dieser Ergebnisse anhand dieser Beschreibung allein nicht beurteilen. Es beschreibt einen empirischen Prognoseansatz, liefert aber keinen Nachweis dafür, dass die Signale im Live-Handel oder nach Handelskosten profitabel bleiben.

Kernaussagen

• Die Studie kombiniert Finanz- und Blockchain-Merkmale mit Nachrichten und Beiträgen aus sozialen Medien, um Bitcoin und Ethereum zu prognostizieren.
• Sie vergleicht Deep-Learning-NLP-Modelle mit wörterbuchbasierter Sentimentanalyse.
• Die Zero-Shot-Klassifikation BART MNLI dient dazu, Texte als bullish oder bearish einzuordnen.
• Lokale Extrema als Prognoseziele sollen Handelsfrequenz und Portfoliovolatilität verringern.
• Die Autoren berichten bessere Prognose- und Handelskennzahlen, doch die Beschreibung lässt Details zur Validierung und zu Kostenanalysen offen.

Schlagwörter

# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data


# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data









We introduce novel approaches to cryptocurrency price forecasting, leveraging Machine Learning (ML) and Natural Language Processing (NLP) techniques, with a focus on Bitcoin and Ethereum. By analysing news and social media content, primarily from Twitter and Reddit, we assess the impact of public sentiment on cryptocurrency markets. A distinctive feature of our methodology is the application of the BART MNLI zero-shot classification model to detect bullish and bearish trends, significantly advancing beyond traditional sentiment analysis. Additionally, we systematically compare a range of pre-trained and fine-tuned deep learning NLP models against conventional dictionary-based sentiment analysis methods. Another key contribution of our work is the adoption of local extrema alongside daily price movements as predictive targets, reducing trading frequency and portfolio volatility. Our findings demonstrate that integrating textual data into cryptocurrency price forecasting not only improves forecasting accuracy but also consistently enhances the profitability and Sharpe ratio across various validation scenarios, particularly when applying deep learning NLP techniques. The entire codebase of our experiments is made available via an online repository: https://anonymous.4open.science/r/crypto-forecasting-public

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.