LSTM Prévision des mouvements à court terme des cryptomonnaies à partir des transactions

Résumé

Cet article décrit un réseau LSTM qui prévoit l’orientation des cours des cryptomonnaies sur un horizon fixe à court terme, à partir des données transaction par transaction d’une période rétrospective. Son processus comprend la conception des caractéristiques et la recherche d’hyperparamètres, avec un entraînement fondé sur près d’un an d’observations de transactions.

Les auteurs rapportent une précision hors échantillon supérieure à 60%, indiquent que les performances restent stables sur différentes périodes de test et décrivent une simulation de trading où les prévisions pourraient être monétisées. Ils rapportent également que les paramètres entraînés sur certains instruments conservent leurs performances sur d’autres cryptomonnaies. L’extrait ne précise ni les actifs, ni l’horizon de prévision, ni les dates de l’échantillon, ni les hypothèses de simulation, ni les performances après frais et glissement de prix. Ces résultats ne démontrent donc ni la rentabilité en trading réel ni un transfert universel entre marchés des cryptomonnaies.

Idées clés

• Le cadre utilise des réseaux LSTM pour prévoir l’orientation à court terme des cours des cryptomonnaies à partir des transactions successives.
• La conception des caractéristiques et la recherche d’hyperparamètres sont au cœur du processus de modélisation.
• L’article rapporte une précision hors échantillon supérieure à 60% et une simulation de trading avec des prévisions monétisables.
• Il rapporte un transfert à d’autres instruments de cryptomonnaies, sans préciser les coûts ni les détails de simulation.

Étiquettes

# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data


# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data









This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

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.