Prévoir les cryptos avec le deep NLP et les données de marché

Résumé

L’étude examine si les actualités et les publications sur les réseaux sociaux peuvent améliorer les prévisions de prix du Bitcoin et de l’Ethereum lorsqu’elles sont combinées à des données financières et de blockchain. Elle compare des modèles de langage préentraînés et ajustés à des méthodes de sentiment fondées sur des dictionnaires, et utilise la classification zéro-shot BART MNLI pour repérer les contenus haussiers ou baissiers. Les cibles de prévision incluent les extrêmes locaux de prix ainsi que les mouvements quotidiens, choix destiné à réduire la fréquence des transactions et la volatilité du portefeuille.

Les auteurs indiquent que l’ajout de caractéristiques textuelles améliore la précision des prévisions et que les méthodes de deep learning NLP augmentent également la rentabilité et le ratio de Sharpe dans les scénarios de validation examinés. Le document ne fournit ni tailles d’échantillon détaillées, ni mesures d’évaluation, ni résultats de référence, ni informations sur la période de marché ; la solidité et la généralité de ces résultats ne peuvent donc être évaluées à partir de cette seule description. Il décrit une approche empirique de prévision, et non une preuve que les signaux resteront rentables en trading réel ou après coûts de transaction.

Idées clés

• L’étude combine des caractéristiques financières et de blockchain avec des actualités et des publications sur les réseaux sociaux pour prévoir le Bitcoin et l’Ethereum.
• Elle compare des modèles de deep learning NLP à une analyse du sentiment fondée sur des dictionnaires.
• La classification zéro-shot BART MNLI sert à catégoriser les textes comme haussiers ou baissiers.
• L’utilisation des extrêmes locaux comme cibles de prévision vise à réduire la fréquence des transactions et la volatilité du portefeuille.
• Les auteurs rapportent une amélioration des mesures de prévision et de trading, mais la description omet les détails de validation et l’analyse des coûts.

Étiquettes

# 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

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.