Deep-Learning-Modelle zur Prognose der Kryptowährungsvolatilität

Zusammenfassung

Diese Studie betrachtet das Risiko von Kryptowährungen als Aufgabe der Volatilitätsprognose und wendet Modelle des maschinellen Lernens auf berechnete Risikomaße für zwanzig Bereiche des Kryptowährungsmarkts an. Sie vergleicht Convolutional Neural Networks, Long Short-Term Memory-Modelle, bidirektionale LSTMs und Gated Recurrent Units und stellt anschließend ein neues Modell vor, das diese Alternativen verbessern soll. Zu den behandelten Vermögenswerten zählen Bitcoin, Ethereum und Dogecoin.

Das Dokument nennt Werte des mittleren quadratischen Fehlers für das vorgeschlagene Modell und die bestehenden Modelle. Dabei weist das vorgeschlagene Modell sowohl niedrigere als auch höhere Fehlerwerte als die Vergleichsmodelle auf. Zu den Daten, dem Prognosehorizont, der Berechnung der Volatilität, dem Validierungsdesign und dem Aufbau des neuen Modells enthält es hier jedoch nur wenige Angaben. Die behauptete Verbesserung lässt sich anhand dieser Beschreibung daher nicht unabhängig beurteilen. Prognosegenauigkeit allein zeigt nicht, dass eine Volatilitätsschätzung Handelsentscheidungen verbessert oder Risiken im Live-Handel kontrolliert.

Kernaussagen

• Die Studie betrachtet das Risiko von Kryptowährungen als Aufgabe der Volatilitätsprognose.
• Sie vergleicht CNN, LSTM, bidirektionale LSTM und GRU-Modelle anhand berechneter Risikomaße.
• Ein neu vorgeschlagenes Modell wird anhand von RMSE mit bestehenden Ansätzen verglichen.
• Die Zusammenfassung nennt Bitcoin, Ethereum und Dogecoin, enthält aber nur begrenzte Angaben zu Daten und Validierung.
• Ergebnisse zu Prognosefehlern belegen für sich genommen keine praktischen Vorteile für Handel oder Risikomanagement.

Schlagwörter

# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall


# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall









In modern times, the cryptocurrency market is one of the world's most rapidly rising financial markets. The cryptocurrency market is regarded to be more volatile and illiquid than traditional markets such as equities, foreign exchange, and commodities. The risk of this market creates an uncertain condition among the investors. The purpose of this research is to predict the magnitude of the risk factor of the cryptocurrency market. Risk factor is also called volatility. Our approach will assist people who invest in the cryptocurrency market by overcoming the problems and difficulties they experience. Our approach starts with calculating the risk factor of the cryptocurrency market from the existing parameters. In twenty elements of the cryptocurrency market, the risk factor has been predicted using different machine learning algorithms such as CNN, LSTM, BiLSTM, and GRU. All of the models have been applied to the calculated risk factor parameter. A new model has been developed to predict better than the existing models. Our proposed model gives the highest RMSE value of 1.3229 and the lowest RMSE value of 0.0089. Following our model, it will be easier for investors to trade in complicated and challenging financial assets like bitcoin, Ethereum, dogecoin, etc. Where the other existing models, the highest RMSE was 14.5092, and the lower was 0.02769. So, the proposed model performs much better than models with proper generalization. Using our approach, it will be easier for investors to trade in complicated and challenging financial assets like Bitcoin, Ethereum, and Dogecoin.

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.