Trading neuronal con señales cripto de alta frecuencia y varios marcos temporales

Resumen

El documento describe un sistema de trading de criptomonedas que combina información de tendencias en varios marcos temporales con redes neuronales que predicen la dirección del precio a corto plazo. Integra precios de mercado, medidas de la cadena de bloques y actividad del libro de órdenes en un conjunto común de señales de presión compradora y vendedora, con el objetivo de respaldar decisiones rápidas de trading. El enfoque propuesto utiliza modelos estadísticos para conectar señales de distintos horizontes temporales y orientar la ejecución de alta frecuencia.

El documento afirma que el sistema logra rendimientos positivos ajustados al riesgo y puede tomar decisiones en menos de un segundo con confianza estadística. Sin embargo, la descripción proporcionada no indica el periodo de datos, los activos, la referencia, las medidas detalladas de rendimiento ni el procedimiento de validación. Por tanto, expone un enfoque de modelización y sus ventajas previstas, pero no aporta aquí pruebas suficientes para evaluar la robustez de los resultados ni si tienen en cuenta los costes de trading y los cambios en las condiciones del mercado.

Ideas clave

• El sistema combina el análisis de tendencias en varios marcos temporales con redes neuronales que predicen la dirección a corto plazo.
• Combina datos de mercado, medidas de la cadena de bloques y dinámica del libro de órdenes en señales de presión para el trading.
• El enfoque está diseñado para respaldar decisiones en menos de un segundo en mercados de criptomonedas.
• La descripción afirma que los rendimientos son positivos y están ajustados al riesgo, pero no aporta detalles para evaluar esa afirmación de forma independiente.

Etiquetas

# 2508.02356


# Neural Network-Based Algorithmic Trading Systems: Multi-Timeframe Analysis and High-Frequency Execution in Cryptocurrency Markets









This paper explores neural network-based approaches for algorithmic trading in cryptocurrency markets. Our approach combines multi-timeframe trend analysis with high-frequency direction prediction networks, achieving positive risk-adjusted returns through statistical modeling and systematic market exploitation. The system integrates diverse data sources including market data, on-chain metrics, and orderbook dynamics, translating these into unified buy/sell pressure signals. We demonstrate how machine learning models can effectively capture cross-timeframe relationships, enabling sub-second trading decisions with statistical confidence.

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.