Transformeurs adaptatifs de fusion temporelle pour prévoir les cours des cryptomonnaies

Résumé

L’article propose une approche adaptative fondée sur le Temporal Fusion Transformer pour prévoir à court terme les cours des cryptomonnaies. Elle traite la non-stationnarité et les fortes variations de prix en segmentant la série en sous-séries de longueur variable qui se terminent à des maxima relatifs : des points où les gains depuis un minimum précédent dépassent un seuil. Cette méthode vise à repérer les phases haussières significatives tout en filtrant une partie du bruit. Un motif de longueur fixe à la fin d’un segment détermine la catégorie du segment suivant, regroupant ainsi les trajectoires de prix ultérieures selon leurs conditions antérieures.

Un TFT distinct est entraîné pour chaque catégorie afin de prévoir l’évolution du segment suivant à partir de ses premières observations. Les expériences utilisent des données à dix minutes de ETH-USDT et une période de test de deux mois. Le document rapporte une meilleure précision de prévision et une rentabilité simulée supérieure en trading par rapport aux modèles de référence TFT et LSTM à longueur fixe. Ces résultats sont propres à l’actif, à l’intervalle et à la période de test indiqués ; le document n’établit pas si la méthode se transpose à d’autres cryptomonnaies, régimes de marché ou au trading en réel après prise en compte des coûts d’exécution.

Idées clés

• Les segments de longueur variable se terminent lorsque les gains depuis un minimum antérieur dépassent un seuil.
• Le motif final de longueur fixe d’un segment attribue une catégorie au segment suivant.
• Des modèles TFT distincts prévoient les segments suivants dans chaque catégorie de motifs.
• Le test ETH-USDT rapporté surpasse les modèles de référence TFT et LSTM à longueur fixe en précision et en rentabilité simulée.
• Les éléments probants se limitent à l’actif, à l’intervalle d’échantillonnage et à la période de test indiqués.

Étiquettes

# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction


# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction









Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.

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.