LSTM پیش‌بینی حرکت کوتاه‌مدت قیمت رمزارز از داده معاملات

خلاصه

این مقاله مدلی از حافظه کوتاه‌مدت و بلندمدت را شرح می‌دهد که جهت قیمت رمزارز را در افقی کوتاه‌مدت و ثابت، با استفاده از داده‌های تک‌تک معاملات یک دوره گذشته‌نگر پیش‌بینی می‌کند. روند کار شامل طراحی ویژگی‌ها و جست‌وجوی ابرپارامترهاست و آموزش بر پایه تقریباً یک سال مشاهدات معاملاتی انجام شده است.

نویسندگان دقت خارج از نمونه‌ای بیش از 60% گزارش می‌کنند، می‌گویند عملکرد در دوره‌های آزمون پایدار می‌ماند و شبیه‌سازی معاملاتی‌ای را شرح می‌دهند که در آن می‌توان از پیش‌بینی‌ها درآمد کسب کرد. همچنین گزارش می‌کنند پارامترهای آموزش‌دیده روی برخی ابزارها، عملکرد خود را روی رمزارزهای دیگر حفظ می‌کنند. این گزیده دارایی‌ها، افق پیش‌بینی، تاریخ‌های نمونه، فرض‌های شبیه‌سازی یا عملکرد پس از کارمزد و لغزش قیمت را مشخص نمی‌کند. بنابراین، این یافته‌های گزارش‌شده سودآوری در معامله زنده یا تعمیم‌پذیری همگانی میان بازارهای رمزارز را اثبات نمی‌کنند.

ایده‌های کلیدی

• این چارچوب از شبکه‌های LSTM برای پیش‌بینی جهت قیمت رمزارز در افق کوتاه‌مدت بر پایه مشاهدات تک‌تک معاملات استفاده می‌کند.
• طراحی ویژگی‌ها و جست‌وجوی ابرپارامترها بخش‌های اصلی فرایند مدل‌سازی هستند.
• مقاله دقت خارج از نمونه‌ای بیش از 60% و شبیه‌سازی معاملاتی با پیش‌بینی‌های درآمدزا را گزارش می‌کند.
• مقاله تعمیم عملکرد به ابزارهای رمزارزی دیگر را گزارش می‌کند، اما هزینه‌ها و جزئیات شبیه‌سازی را مشخص نمی‌سازد.

برچسب‌ها

# 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.

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.