Apprentissage profond pour classer les prix des cryptomonnaies avec les signaux de trading et sociaux | Stratmill

Résumé

L’étude teste si les indicateurs de trading et des réseaux sociaux améliorent la classification des variations de prix des cryptomonnaies par rapport aux seuls indicateurs techniques. Elle évalue des données horaires et quotidiennes sur le Bitcoin et l’Ethereum de janvier 2017 à janvier 2021, en comparant un ensemble restreint de caractéristiques techniques à un ensemble élargi qui comprend également des signaux de trading et des réseaux sociaux. Les modèles incluent des perceptrons multicouches, des réseaux convolutionnels, des réseaux LSTM et des LSTM à mécanisme d’attention. La recherche par grille sélectionne les hyperparamètres, et une méthode avancée de bootstrap sert à tenir compte de la variation des échantillons de test.

Pour les prévisions horaires, l’ensemble élargi de caractéristiques surpasse la version limitée aux données techniques. La précision rapportée passe de 51–55% à 67–84% lorsque les indicateurs de trading sont ajoutés aux caractéristiques techniques. L’extrait ne fournit pas les résultats quotidiens correspondants et ne détaille pas la variation des performances selon les modèles, les actifs ou les régimes de marché. Ces résultats portent sur la classification dans l’échantillon historique de l’étude ; la précision seule ne démontre pas la rentabilité après coûts de trading.

Idées clés

• L’étude compare les caractéristiques techniques seules aux indicateurs techniques, de trading et des réseaux sociaux.
• Elle teste le Bitcoin et l’Ethereum sur des observations horaires et quotidiennes de 2017 à 2021.
• Quatre approches de réseaux neuronaux sont évaluées, avec une recherche par grille pour sélectionner les hyperparamètres.
• Une analyse bootstrap sert à tenir compte de la variabilité des échantillons de test.
• Sur les données horaires, la précision rapportée augmente de 51–55% à 67–84% lorsque les indicateurs de trading sont inclus.

Étiquettes

# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning


# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning









This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.

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.