Temporal Fusion Transformers adaptativos para prever precios de criptomonedas

Resumen

El artículo propone un enfoque adaptativo de Temporal Fusion Transformer para prever a corto plazo los precios de las criptomonedas. Aborda la no estacionariedad y las fuertes variaciones de precios dividiendo la serie en subseries de longitud variable que terminan en máximos relativos: puntos donde las ganancias desde un mínimo anterior superan un umbral. La idea es identificar fases alcistas significativas y filtrar parte del ruido. Un patrón de longitud fija al final de un segmento determina la categoría del siguiente, agrupando las trayectorias de precios posteriores según las condiciones previas.

Se entrena un TFT distinto para cada categoría a fin de prever la evolución del siguiente segmento a partir de sus observaciones iniciales. Los experimentos usan datos de diez minutos de ETH-USDT y un periodo de prueba de dos meses. El documento informa de una mayor precisión de predicción y rentabilidad de trading simulado que con las referencias de longitud fija TFT y LSTM. Esos resultados corresponden al activo, intervalo y periodo de prueba indicados; el documento no demuestra si el método se aplica a otras criptomonedas, regímenes de mercado o trading en vivo tras los costes de ejecución.

Ideas clave

• Los segmentos de longitud variable terminan cuando las ganancias desde un mínimo anterior superan un umbral.
• El patrón final de longitud fija de un segmento asigna una categoría al siguiente.
• Se entrenan modelos TFT separados para prever los segmentos posteriores en cada categoría de patrón.
• La prueba ETH-USDT indicada supera en precisión y rentabilidad simulada las referencias TFT y LSTM de longitud fija.
• La evidencia se limita al activo, intervalo de muestreo y periodo de prueba indicados.

Etiquetas

# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction


# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction









Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.

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.