طبقه‌بندی رژیم‌های بازار ارز دیجیتال با رمزگذار خودکار کانولوشنی
خلاصه
مطالعه از رمزگذار خودکار کانولوشنی برای استخراج الگوهای غالب رفتار بازار ارزهای دیجیتال و گروه‌بندی 40 ارز دیجیتال در طبقه‌ها استفاده می‌کند. دوازده دوره متوالی شش‌ماهه را که از 15 مه 2013 آغاز می‌شوند بررسی می‌کند و سپس تغییرات عضویت در طبقه‌ها را در گذر زمان به بلوغ بازار ارز دیجیتال مرتبط می‌سازد. کاربرد پیشنهادی برای معامله‌گران، تفسیر این گروه‌های در حال تغییر برای درک ساختار بازار و احتمالاً آگاه‌کردن تصمیم‌های سرمایه‌گذاری یا معامله است.
سند روش، مجموعه دارایی‌ها و پنجره‌های مشاهده را شرح می‌دهد، اما جزئیات طبقه‌بندی، سنجه‌های اعتبارسنجی، نتایج مشخص رژیم‌ها یا قواعد معاملاتی آزموده‌شده را ارائه نمی‌کند. بنابراین رویکردی اکتشافی مبتنی بر یادگیری ماشین برای توصیف تحول بازار رمزارز عرضه می‌کند، نه شواهدی از راهبرد سودآور. گذار میان طبقه‌ها به بلوغ بازار پیوند داده شده، اما خلاصه توضیح نمی‌دهد این تفسیر چگونه به‌دست آمده یا آیا گروه‌بندی‌ها با داده‌ها و انتخاب‌های مدل جایگزین پایدار می‌مانند.
ایده‌های کلیدی
- از رمزگذار خودکار کانولوشنی برای استخراج الگوهای غالب بازارهای ارز دیجیتال استفاده می‌شود.
- تحلیل، 40 ارز دیجیتال را در دوازده دوره شش‌ماهه به گروه‌هایی طبقه‌بندی می‌کند.
- تغییرات عضویت گروه‌ها در پیوند با بلوغ بازار تفسیر می‌شوند.
- این پژوهش ارتباط احتمالی با سرمایه‌گذاری را مطرح می‌کند، اما آزمون مستقیم معاملاتی یا سنجه‌های اعتبارسنجی گزارش‌شده ندارد.
برچسب‌ها
متن کامل
# Deep convolutional autoencoder for cryptocurrency market analysis # Deep convolutional autoencoder for cryptocurrency market analysis This study attempts to analyze patterns in cryptocurrency markets using a special type of deep neural networks, namely a convolutional autoencoder. The method extracts the dominant features of market behavior and classifies the 40 studied cryptocurrencies into several classes for twelve 6-month periods starting from 15th May 2013. Transitions from one class to another with time are related to the maturement of cryptocurrencies. In speculative cryptocurrency markets, these findings have potential implications for investment and trading strategies.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.