LSTM-Prognose kurzfristiger Krypto-Kursbewegungen aus Handelsdaten

Zusammenfassung

Diese Arbeit beschreibt ein Long-Short-Term-Memory-Modell, das die Kursrichtung von Kryptowährungen über einen festgelegten kurzfristigen Prognosehorizont anhand einzelner Transaktionen aus einem Rückblickzeitraum vorhersagt. Zum Ablauf gehören die Entwicklung von Merkmalen und die Suche nach Hyperparametern. Trainiert wird das Modell mit Transaktionsbeobachtungen aus annähernd einem Jahr.

Die Autoren berichten eine Genauigkeit von mehr als 60% außerhalb der Trainingsstichprobe, eine stabile Leistung über mehrere Testzeiträume hinweg und eine Handelssimulation, in der sich die Prognosen monetarisieren ließen. Außerdem berichten sie, dass an manchen Instrumenten trainierte Parameter die Leistung bei anderen Kryptowährungen beibehalten. Der Auszug nennt weder die Vermögenswerte, den Prognosehorizont und die Stichprobendaten noch Simulationsannahmen oder die Leistung nach Gebühren und Slippage. Die berichteten Befunde weisen daher weder Rentabilität im Live-Trading noch eine universelle Übertragbarkeit auf Kryptomärkte nach.

Kernaussagen

• Der Rahmen verwendet LSTM-Netzwerke, um die kurzfristige Kursrichtung von Kryptowährungen anhand einzelner Transaktionen vorherzusagen.
• Die Entwicklung von Merkmalen und die Suche nach Hyperparametern sind zentrale Bestandteile des Modellierungsverfahrens.
• Die Arbeit berichtet eine Genauigkeit von mehr als 60% außerhalb der Trainingsstichprobe und eine Handelssimulation mit monetarisierbaren Prognosen.
• Sie berichtet eine Übertragung auf andere Kryptowährungsinstrumente, lässt jedoch Kosten und Einzelheiten der Simulation offen.

Schlagwörter

# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data


# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data









This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

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.