معامله‌گری با شبکه‌های عصبی چندبازه‌ای و سیگنال‌های پربسامد ارز دیجیتال

خلاصه

این سند سامانه معاملاتی ارز دیجیتالی را توصیف می‌کند که اطلاعات روند را در چند بازه زمانی با شبکه‌های عصبیِ پیش‌بینی‌کننده جهت کوتاه‌مدت قیمت ترکیب می‌کند. قیمت‌های بازار، سنجه‌های درون‌زنجیره‌ای و فعالیت دفتر سفارش را در مجموعه‌ای مشترک از سیگنال‌های فشار خرید و فروش گرد می‌آورد تا تصمیم‌گیری سریع معاملاتی را پشتیبانی کند. رویکرد پیشنهادی از مدل‌سازی آماری برای پیوند سیگنال‌ها در افق‌های زمانی مختلف و هدایت اجرای پربسامد استفاده می‌کند.

سند ادعا می‌کند که سامانه بازده تعدیل‌شده بر مبنای ریسک مثبت دارد و می‌تواند در کسری از ثانیه، با اطمینان آماری تصمیم بگیرد. بااین‌حال، توضیح ارائه‌شده دوره داده، فهرست دارایی‌ها، معیار مقایسه، سنجه‌های عملکرد تفصیلی یا روش اعتبارسنجی را ذکر نمی‌کند. بنابراین، این سند رویکرد مدل‌سازی و مزایای موردنظر آن را شرح می‌دهد، اما شواهد کافی برای سنجش استحکام نتایج یا لحاظ‌شدن هزینه‌های معامله و تغییر شرایط بازار ارائه نمی‌کند.

ایده‌های کلیدی

• سامانه تحلیل روند در چند بازه زمانی را با شبکه‌های عصبی برای پیش‌بینی جهت کوتاه‌مدت ترکیب می‌کند.
• داده‌های بازار، سنجه‌های درون‌زنجیره‌ای و پویایی دفتر سفارش را به سیگنال‌های فشار معاملاتی تبدیل می‌کند.
• این رویکرد برای پشتیبانی از تصمیم‌گیری‌های زیر یک ثانیه در بازارهای ارز دیجیتال طراحی شده است.
• توضیح، بازده تعدیل‌شده بر مبنای ریسک مثبت را ادعا می‌کند، اما جزئیاتی برای ارزیابی مستقل این ادعا ارائه نمی‌دهد.

برچسب‌ها

# 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.

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.