Predicción de criptomonedas con aprendizaje profundo NLP y datos de mercado

Resumen

El estudio examina si el texto de noticias y redes sociales puede mejorar las previsiones de precios de Bitcoin y Ethereum al combinarse con datos financieros y de blockchain. Compara modelos lingüísticos preentrenados y ajustados con métodos de sentimiento basados en diccionarios, y utiliza la clasificación zero-shot BART MNLI para identificar contenido alcista o bajista. Los objetivos de predicción incluyen extremos locales de precios y movimientos diarios, una elección destinada a reducir la frecuencia de trading y la volatilidad de la cartera.

Los autores informan que añadir características textuales mejora la precisión de las previsiones y que los métodos de aprendizaje profundo NLP también elevan la rentabilidad y el ratio de Sharpe en los escenarios de validación que analizaron. El documento no proporciona tamaños de muestra detallados, métricas de evaluación, resultados de referencia ni información sobre el periodo de mercado, por lo que esta descripción por sí sola no permite evaluar la solidez ni la generalidad de esos hallazgos. Describe un enfoque empírico de previsión, no pruebas de que las señales vayan a seguir siendo rentables en trading real o después de los costes de trading.

Ideas clave

• El estudio combina características financieras y de blockchain con noticias y publicaciones de redes sociales para predecir precios de Bitcoin y Ethereum.
• Compara modelos de PLN de aprendizaje profundo NLP con análisis de sentimiento basado en diccionarios.
• La clasificación zero-shot BART MNLI se utiliza para categorizar el texto como alcista o bajista.
• El uso de extremos locales como objetivos de predicción pretende reducir la frecuencia de trading y la volatilidad de la cartera.
• Los autores informan de mejoras en las métricas de predicción y trading, pero la descripción omite detalles de validación y análisis de costes.

Etiquetas

# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data


# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data









We introduce novel approaches to cryptocurrency price forecasting, leveraging Machine Learning (ML) and Natural Language Processing (NLP) techniques, with a focus on Bitcoin and Ethereum. By analysing news and social media content, primarily from Twitter and Reddit, we assess the impact of public sentiment on cryptocurrency markets. A distinctive feature of our methodology is the application of the BART MNLI zero-shot classification model to detect bullish and bearish trends, significantly advancing beyond traditional sentiment analysis. Additionally, we systematically compare a range of pre-trained and fine-tuned deep learning NLP models against conventional dictionary-based sentiment analysis methods. Another key contribution of our work is the adoption of local extrema alongside daily price movements as predictive targets, reducing trading frequency and portfolio volatility. Our findings demonstrate that integrating textual data into cryptocurrency price forecasting not only improves forecasting accuracy but also consistently enhances the profitability and Sharpe ratio across various validation scenarios, particularly when applying deep learning NLP techniques. The entire codebase of our experiments is made available via an online repository: https://anonymous.4open.science/r/crypto-forecasting-public

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.