Deep Learning zur Klassifikation von Kryptokursen mit Trading- und sozialen Signalen

Zusammenfassung

Die Studie untersucht, ob Trading- und Social-Media-Indikatoren die Klassifikation von Kursänderungen bei Kryptowährungen gegenüber technischen Indikatoren allein verbessern. Sie wertet stündliche und tägliche Bitcoin- und Ethereum-Daten von Januar 2017 bis Januar 2021 aus und vergleicht einen eingeschränkten Satz technischer Merkmale mit einem erweiterten Satz, der auch Trading- und soziale Signale umfasst. Zu den Modellen gehören mehrschichtige Perzeptronen, Faltungsnetzwerke, LSTM-Netzwerke und LSTMs mit Attention. Die Hyperparameter werden per Gittersuche ausgewählt; ein fortgeschrittenes Bootstrap-Verfahren berücksichtigt die Variation in den Teststichproben.

Bei stündlichen Prognosen übertrifft der erweiterte Merkmalsumfang die Variante mit ausschließlich technischen Merkmalen. Die angegebene Genauigkeit steigt von 51–55% auf 67–84%, wenn Trading-Indikatoren zu den technischen Merkmalen hinzukommen. Der Auszug enthält keine entsprechenden Ergebnisse für tägliche Prognosen und erläutert nicht, wie sich die Leistung zwischen Modellen, Vermögenswerten oder Marktphasen unterscheidet. Die Ergebnisse betreffen die Klassifikation in der historischen Stichprobe der Studie; Genauigkeit allein belegt keine Rentabilität nach Tradingkosten.

Kernaussagen

• Die Studie vergleicht ausschließlich technische Merkmale mit technischen Merkmalen sowie Trading- und Social-Media-Indikatoren.
• Untersucht werden Bitcoin und Ethereum anhand stündlicher und täglicher Beobachtungen von 2017 bis 2021.
• Vier neuronale Netzwerkansätze werden untersucht; die Hyperparameter werden per Gittersuche ausgewählt.
• Eine Bootstrap-Analyse berücksichtigt die Variabilität der Teststichproben.
• Bei stündlichen Daten steigt die angegebene Genauigkeit von 51–55% auf 67–84%, wenn Trading-Indikatoren einbezogen werden.

Schlagwörter

# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning


# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning









This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.

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.