Aprendizaje profundo para clasificar precios cripto con señales de trading y sociales
Resumen
El estudio evalúa si los indicadores de trading y redes sociales mejoran la clasificación de los cambios de precio de las criptomonedas frente al uso exclusivo de indicadores técnicos. Analiza datos horarios y diarios de Bitcoin y Ethereum desde enero de 2017 hasta enero de 2021, y compara un conjunto limitado de indicadores técnicos con otro más amplio que también incluye señales sociales y de trading. Los modelos incluyen perceptrones multicapa, redes convolucionales, redes LSTM y LSTM con atención. La búsqueda en cuadrícula selecciona los hiperparámetros y se utiliza un método avanzado de bootstrap para tener en cuenta la variación de las muestras de prueba.
En las predicciones horarias, el conjunto ampliado de características supera a la versión que solo usa indicadores técnicos. La precisión comunicada sube de 51–55% a 67–84% al añadir indicadores de trading a las características técnicas. El fragmento no presenta los resultados diarios correspondientes ni detalla cómo varía el rendimiento entre modelos, activos o regímenes de mercado. Estos resultados corresponden a una clasificación en la muestra histórica del estudio; la precisión por sí sola no demuestra rentabilidad después de los costes de trading.
Ideas clave
- El estudio compara características solo técnicas con indicadores técnicos, de trading y de redes sociales.
- Evalúa Bitcoin y Ethereum con observaciones horarias y diarias desde 2017 hasta 2021.
- Se evalúan cuatro métodos de redes neuronales y se usa una búsqueda en cuadrícula para seleccionar los hiperparámetros.
- Se usa un análisis bootstrap para tener en cuenta la variabilidad de las muestras de prueba.
- En los datos horarios, la precisión comunicada mejora de 51–55% a 67–84% al incluir indicadores de trading.
Etiquetas
Texto completo
# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning # On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.
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.