پیش‌بینی رمزارز با NLP عمیق و داده‌های بازار
خلاصه
این مطالعه بررسی می‌کند که آیا ترکیب متن اخبار و شبکه‌های اجتماعی با داده‌های مالی و بلاک‌چین می‌تواند پیش‌بینی قیمت بیت‌کوین و اتریوم را بهبود دهد. مدل‌های زبانی ازپیش‌آموزش‌دیده و تنظیم‌دقیق‌شده را با روش‌های احساس‌سنجی مبتنی بر واژه‌نامه مقایسه می‌کند و از طبقه‌بندی بدون نمونه BART MNLI برای شناسایی محتوای صعودی یا نزولی استفاده می‌کند. اهداف پیش‌بینی شامل نقاط حدی محلی قیمت و همچنین تغییرات روزانه‌اند؛ انتخابی که هدف آن کاهش دفعات معامله و نوسان پرتفوی است.
نویسندگان گزارش می‌کنند که افزودن ویژگی‌های متنی دقت پیش‌بینی را بهبود می‌دهد و روش‌های NLP یادگیری عمیق نیز در سناریوهای اعتبارسنجی بررسی‌شده سودآوری و نسبت شارپ را افزایش می‌دهند. سند اندازه نمونه‌ها، معیارهای ارزیابی، نتایج معیارهای پایه یا اطلاعات دوره بازار را به‌تفصیل ارائه نمی‌کند؛ بنابراین، از این توضیح به‌تنهایی نمی‌توان قدرت و تعمیم‌پذیری این یافته‌ها را ارزیابی کرد. این سند رویکردی تجربی برای پیش‌بینی را توصیف می‌کند، نه شواهدی که نشان دهد سیگنال‌ها در معامله زنده یا پس از هزینه‌های معاملاتی همچنان سودآور می‌مانند.
ایده‌های کلیدی
- این مطالعه ویژگی‌های مالی و بلاک‌چین را با متن اخبار و شبکه‌های اجتماعی برای پیش‌بینی بیت‌کوین و اتریوم ترکیب می‌کند.
- مدل‌های NLP یادگیری عمیق را با احساس‌سنجی مبتنی بر واژه‌نامه مقایسه می‌کند.
- طبقه‌بندی بدون نمونه BART MNLI برای دسته‌بندی متن به‌عنوان صعودی یا نزولی به کار می‌رود.
- هدف‌گیری نقاط حدی محلی برای پیش‌بینی، با هدف کاهش دفعات معامله و نوسان پرتفوی انجام می‌شود.
- نویسندگان از بهبود معیارهای پیش‌بینی و معامله خبر می‌دهند، اما توضیح جزئیات اعتبارسنجی و تحلیل هزینه‌ها را ندارد.
برچسب‌ها
متن کامل
# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data # Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data We introduce novel approaches to cryptocurrency price forecasting, leveraging Machine Learning (ML) and Natural Language Processing (NLP) techniques, with a focus on Bitcoin and Ethereum. By analysing news and social media content, primarily from Twitter and Reddit, we assess the impact of public sentiment on cryptocurrency markets. A distinctive feature of our methodology is the application of the BART MNLI zero-shot classification model to detect bullish and bearish trends, significantly advancing beyond traditional sentiment analysis. Additionally, we systematically compare a range of pre-trained and fine-tuned deep learning NLP models against conventional dictionary-based sentiment analysis methods. Another key contribution of our work is the adoption of local extrema alongside daily price movements as predictive targets, reducing trading frequency and portfolio volatility. Our findings demonstrate that integrating textual data into cryptocurrency price forecasting not only improves forecasting accuracy but also consistently enhances the profitability and Sharpe ratio across various validation scenarios, particularly when applying deep learning NLP techniques. The entire codebase of our experiments is made available via an online repository: https://anonymous.4open.science/r/crypto-forecasting-public
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.