Un modèle résiduel multi-échelle CNN et LSTM pour prévoir le prix du Bitcoin

Résumé

L’article propose MRC-LSTM, un modèle associant un module convolutif résiduel multi-échelle à un réseau Long Short-Term Memory pour prévoir le cours de clôture quotidien du Bitcoin en USD. Des convolutions unidimensionnelles détectent et combinent des caractéristiques à différentes échelles temporelles dans des séries multivariées, tandis que le LSTM apprend les dépendances à plus long terme. Les entrées comprennent des informations de trading sur le Bitcoin ainsi que des facteurs externes, tels que des variables macroéconomiques et l’attention des investisseurs.

Les expériences comparent le modèle à d’autres architectures de réseaux et indiquent qu’il obtient des résultats nettement meilleurs pour la prévision du Bitcoin. D’autres expériences sur l’Ethereum et le Litecoin étayent son utilisation pour la prévision multivariée à court terme des cryptomonnaies. La description fournie ne précise ni la période des données, ni les mesures d’évaluation, ni les références détaillées, ni les résultats de trading hors échantillon ; elle ne montre donc pas si l’amélioration des prévisions de prix se traduit par des stratégies rentables ou se maintient dans d’autres contextes.

Idées clés

• MRC-LSTM associe un réseau convolutif résiduel multi-échelle à un LSTM pour prévoir le cours de clôture du Bitcoin.
• Le composant convolutif détecte et combine des caractéristiques à différentes échelles temporelles dans des données multivariées.
• Le composant LSTM apprend les dépendances à plus long terme dans la série.
• L’étude inclut des données de trading ainsi que des variables macroéconomiques et des mesures de l’attention des investisseurs.
• Les comparaisons rapportées favorisent le modèle proposé, avec d’autres expériences sur des cryptomonnaies, mais la description fournie ne présente aucun résultat de performance en trading.

Étiquettes

# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price


# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price









Bitcoin, one of the major cryptocurrencies, presents great opportunities and challenges with its tremendous potential returns accompanying high risks. The high volatility of Bitcoin and the complex factors affecting them make the study of effective price forecasting methods of great practical importance to financial investors and researchers worldwide. In this paper, we propose a novel approach called MRC-LSTM, which combines a Multi-scale Residual Convolutional neural network (MRC) and a Long Short-Term Memory (LSTM) to implement Bitcoin closing price prediction. Specifically, the Multi-scale residual module is based on one-dimensional convolution, which is not only capable of adaptive detecting features of different time scales in multivariate time series, but also enables the fusion of these features. LSTM has the ability to learn long-term dependencies in series, which is widely used in financial time series forecasting. By mixing these two methods, the model is able to obtain highly expressive features and efficiently learn trends and interactions of multivariate time series. In the study, the impact of external factors such as macroeconomic variables and investor attention on the Bitcoin price is considered in addition to the trading information of the Bitcoin market. We performed experiments to predict the daily closing price of Bitcoin (USD), and the experimental results show that MRC-LSTM significantly outperforms a variety of other network structures. Furthermore, we conduct additional experiments on two other cryptocurrencies, Ethereum and Litecoin, to further confirm the effectiveness of the MRC-LSTM in short-term forecasting for multivariate time series of cryptocurrencies.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.