LSTM de movimientos de precios cripto a corto plazo con datos de operaciones

Resumen

Este artículo describe un modelo Long Short-Term Memory (LSTM) que predice la dirección del precio de las criptomonedas en un horizonte fijo de corto plazo, utilizando datos operación por operación de un periodo retrospectivo. Su flujo de trabajo incluye el diseño de características y la búsqueda de hiperparámetros, y el entrenamiento se basa en casi un año de observaciones de transacciones.

Los autores informan de una precisión fuera de muestra superior a 60%, afirman que el rendimiento se mantiene estable en distintos periodos de prueba y describen una simulación de trading en la que las predicciones podrían monetizarse. También indican que los parámetros entrenados con algunos instrumentos mantienen su rendimiento en otras criptomonedas. El fragmento no identifica los activos, el horizonte de pronóstico, las fechas de la muestra, los supuestos de la simulación ni el rendimiento después de comisiones y slippage. Por tanto, estos resultados no demuestran rentabilidad en trading en vivo ni una transferencia universal entre mercados cripto.

Ideas clave

• El marco utiliza redes LSTM para pronosticar la dirección a corto plazo de los precios de criptomonedas a partir de observaciones operación por operación.
• El diseño de características y la búsqueda de hiperparámetros son partes centrales del proceso de modelización.
• El artículo informa de una precisión fuera de muestra superior a 60% y de una simulación de trading con predicciones monetizables.
• Informa de una transferencia a otros instrumentos de criptomonedas, aunque no especifica los costes ni los detalles de la simulación.

Etiquetas

# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data


# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data









This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

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.