Una CNN residual multiescala y LSTM para pronosticar el precio de Bitcoin

Resumen

El artículo propone MRC-LSTM, un modelo que combina un módulo convolucional residual multiescala con una red de memoria a largo y corto plazo para pronosticar el precio de cierre diario de Bitcoin en USD. Se utilizan convoluciones unidimensionales para detectar y combinar características en distintas escalas temporales de series multivariantes, mientras que LSTM aprende dependencias de más largo plazo. Las entradas incluyen información de trading de Bitcoin y factores externos, como variables macroeconómicas y la atención de los inversores.

Los experimentos comparan el modelo con otras estructuras de red e informan de que su rendimiento es significativamente mejor en la tarea de predicción de Bitcoin. Se presentan experimentos adicionales con Ethereum y Litecoin como respaldo de su uso para pronósticos multivariantes a corto plazo de criptomonedas. La descripción proporcionada no indica el periodo de los datos, las medidas de evaluación, las referencias detalladas ni los resultados de trading fuera de muestra, por lo que no muestra si una mejor predicción de precios se traduce en estrategias rentables o se mantiene en otros contextos.

Ideas clave

• MRC-LSTM combina una red convolucional residual multiescala con un LSTM para predecir el precio de cierre de Bitcoin.
• El componente convolucional detecta y combina características de distintas escalas temporales en datos multivariantes.
• El componente LSTM aprende dependencias de más largo plazo en la serie.
• El estudio incluye datos de trading junto con variables macroeconómicas y medidas de atención de los inversores.
• Las comparaciones presentadas favorecen al modelo propuesto, con experimentos adicionales sobre criptomonedas, pero la descripción no aporta evidencia sobre el rendimiento de trading.

Etiquetas

# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price


# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price









Bitcoin, one of the major cryptocurrencies, presents great opportunities and challenges with its tremendous potential returns accompanying high risks. The high volatility of Bitcoin and the complex factors affecting them make the study of effective price forecasting methods of great practical importance to financial investors and researchers worldwide. In this paper, we propose a novel approach called MRC-LSTM, which combines a Multi-scale Residual Convolutional neural network (MRC) and a Long Short-Term Memory (LSTM) to implement Bitcoin closing price prediction. Specifically, the Multi-scale residual module is based on one-dimensional convolution, which is not only capable of adaptive detecting features of different time scales in multivariate time series, but also enables the fusion of these features. LSTM has the ability to learn long-term dependencies in series, which is widely used in financial time series forecasting. By mixing these two methods, the model is able to obtain highly expressive features and efficiently learn trends and interactions of multivariate time series. In the study, the impact of external factors such as macroeconomic variables and investor attention on the Bitcoin price is considered in addition to the trading information of the Bitcoin market. We performed experiments to predict the daily closing price of Bitcoin (USD), and the experimental results show that MRC-LSTM significantly outperforms a variety of other network structures. Furthermore, we conduct additional experiments on two other cryptocurrencies, Ethereum and Litecoin, to further confirm the effectiveness of the MRC-LSTM in short-term forecasting for multivariate time series of cryptocurrencies.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.