Modelos de aprendizaje profundo para pronosticar la volatilidad de las criptomonedas | Stratmill

Resumen

Este estudio plantea el riesgo de las criptomonedas como un problema de pronóstico de volatilidad y aplica modelos de aprendizaje automático a medidas de riesgo calculadas para veinte elementos del mercado de criptomonedas. Compara redes neuronales convolucionales, modelos de memoria a corto y largo plazo, LSTM bidireccionales y unidades recurrentes cerradas; luego presenta un modelo nuevo que pretende mejorar esas alternativas. Entre los activos analizados están Bitcoin, Ethereum y Dogecoin.

El documento presenta valores de error cuadrático medio para los modelos propuesto y existentes; el enfoque propuesto obtiene errores tanto menores como mayores que los modelos comparados. Sin embargo, ofrece pocos detalles sobre los datos, el horizonte de pronóstico, la construcción de la volatilidad, el diseño de validación o la estructura del nuevo modelo. Por ello, no se puede evaluar de forma independiente la mejora afirmada a partir de esta descripción, y la precisión del pronóstico por sí sola no demuestra que una estimación de volatilidad mejore las decisiones de trading o controle el riesgo en mercados reales.

Ideas clave

• La investigación plantea el riesgo de las criptomonedas como un problema de predicción de la volatilidad.
• Compara modelos CNN, LSTM, LSTM bidireccionales y GRU con medidas de riesgo calculadas.
• Se evalúa un modelo nuevo frente a enfoques existentes mediante RMSE.
• El resumen menciona Bitcoin, Ethereum y Dogecoin, pero da pocos detalles sobre los datos y la validación.
• Los resultados del error de pronóstico no demuestran por sí solos mejoras prácticas en trading o gestión de riesgos.

Etiquetas

# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall


# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall









In modern times, the cryptocurrency market is one of the world's most rapidly rising financial markets. The cryptocurrency market is regarded to be more volatile and illiquid than traditional markets such as equities, foreign exchange, and commodities. The risk of this market creates an uncertain condition among the investors. The purpose of this research is to predict the magnitude of the risk factor of the cryptocurrency market. Risk factor is also called volatility. Our approach will assist people who invest in the cryptocurrency market by overcoming the problems and difficulties they experience. Our approach starts with calculating the risk factor of the cryptocurrency market from the existing parameters. In twenty elements of the cryptocurrency market, the risk factor has been predicted using different machine learning algorithms such as CNN, LSTM, BiLSTM, and GRU. All of the models have been applied to the calculated risk factor parameter. A new model has been developed to predict better than the existing models. Our proposed model gives the highest RMSE value of 1.3229 and the lowest RMSE value of 0.0089. Following our model, it will be easier for investors to trade in complicated and challenging financial assets like bitcoin, Ethereum, dogecoin, etc. Where the other existing models, the highest RMSE was 14.5092, and the lower was 0.02769. So, the proposed model performs much better than models with proper generalization. Using our approach, it will be easier for investors to trade in complicated and challenging financial assets like Bitcoin, Ethereum, and Dogecoin.

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.