Modèles d’apprentissage profond pour prévoir la volatilité des cryptomonnaies

Résumé

Cette étude aborde le risque des cryptomonnaies comme un problème de prévision de la volatilité et applique des modèles d’apprentissage automatique à des mesures de risque calculées pour vingt éléments du marché des cryptomonnaies. Elle compare des réseaux neuronaux convolutifs, des modèles à mémoire à long et court terme, des LSTM bidirectionnels et des unités récurrentes à portes, puis présente un nouveau modèle censé améliorer ces approches. Les actifs étudiés comprennent Bitcoin, Ethereum et Dogecoin.

Le document indique les valeurs de l’erreur quadratique moyenne pour les modèles proposés et existants, l’approche proposée présentant des erreurs à la fois inférieures et supérieures à celles des modèles de comparaison. Cependant, il fournit peu de détails sur les données, l’horizon de prévision, la construction de la volatilité, le protocole de validation ou la structure du nouveau modèle. L’amélioration revendiquée ne peut donc pas être évaluée indépendamment à partir de cette description, et la précision des prévisions ne montre pas à elle seule qu’une estimation de la volatilité améliore les décisions de trading ou maîtrise le risque sur les marchés réels.

Idées clés

• La recherche traite le risque des cryptomonnaies comme un problème de prévision de la volatilité.
• L’étude compare CNN, LSTM, les LSTM bidirectionnels et les modèles GRU sur des mesures de risque calculées.
• Un nouveau modèle proposé est évalué par rapport aux approches existantes à l’aide de RMSE.
• Le résumé cite Bitcoin, Ethereum et Dogecoin, mais fournit peu d’informations sur les données et la validation.
• Les résultats sur l’erreur de prévision ne démontrent pas à eux seuls des gains pratiques pour le trading ou la gestion du risque.

Étiquettes

# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall


# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall









In modern times, the cryptocurrency market is one of the world's most rapidly rising financial markets. The cryptocurrency market is regarded to be more volatile and illiquid than traditional markets such as equities, foreign exchange, and commodities. The risk of this market creates an uncertain condition among the investors. The purpose of this research is to predict the magnitude of the risk factor of the cryptocurrency market. Risk factor is also called volatility. Our approach will assist people who invest in the cryptocurrency market by overcoming the problems and difficulties they experience. Our approach starts with calculating the risk factor of the cryptocurrency market from the existing parameters. In twenty elements of the cryptocurrency market, the risk factor has been predicted using different machine learning algorithms such as CNN, LSTM, BiLSTM, and GRU. All of the models have been applied to the calculated risk factor parameter. A new model has been developed to predict better than the existing models. Our proposed model gives the highest RMSE value of 1.3229 and the lowest RMSE value of 0.0089. Following our model, it will be easier for investors to trade in complicated and challenging financial assets like bitcoin, Ethereum, dogecoin, etc. Where the other existing models, the highest RMSE was 14.5092, and the lower was 0.02769. So, the proposed model performs much better than models with proper generalization. Using our approach, it will be easier for investors to trade in complicated and challenging financial assets like Bitcoin, Ethereum, and Dogecoin.

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.