Trading neuronal multi-échelle avec signaux crypto haute fréquence

Résumé

Le document décrit un système de trading de cryptomonnaies qui combine des informations de tendance sur plusieurs horizons avec des réseaux neuronaux prédisant la direction des prix à court terme. Il rassemble les prix du marché, les mesures on-chain et l’activité du carnet d’ordres en signaux communs de pression acheteuse et vendeuse, afin d’appuyer des décisions rapides. L’approche proposée utilise la modélisation statistique pour relier les signaux entre horizons temporels et guider l’exécution à haute fréquence.

Le document affirme que le système obtient des rendements positifs ajustés au risque et peut prendre des décisions en moins d’une seconde avec une confiance statistique. Toutefois, la description fournie n’indique ni la période des données, ni les actifs, la référence, les mesures détaillées de performance ou la procédure de validation. Elle expose donc une approche de modélisation et ses avantages visés, sans fournir assez d’éléments pour évaluer la robustesse des résultats ou déterminer s’ils tiennent compte des coûts de trading et de l’évolution des conditions de marché.

Idées clés

• Le système combine l’analyse des tendances sur plusieurs horizons et des réseaux neuronaux prédisant la direction à court terme.
• Il combine les données de marché, les mesures on-chain et la dynamique du carnet d’ordres en signaux de pression acheteuse ou vendeuse.
• L’approche vise à permettre des décisions en moins d’une seconde sur les marchés des cryptomonnaies.
• La description revendique des rendements positifs ajustés au risque, sans fournir de détails permettant d’évaluer cette affirmation de façon indépendante.

Étiquettes

# 2508.02356


# Neural Network-Based Algorithmic Trading Systems: Multi-Timeframe Analysis and High-Frequency Execution in Cryptocurrency Markets









This paper explores neural network-based approaches for algorithmic trading in cryptocurrency markets. Our approach combines multi-timeframe trend analysis with high-frequency direction prediction networks, achieving positive risk-adjusted returns through statistical modeling and systematic market exploitation. The system integrates diverse data sources including market data, on-chain metrics, and orderbook dynamics, translating these into unified buy/sell pressure signals. We demonstrate how machine learning models can effectively capture cross-timeframe relationships, enabling sub-second trading decisions with statistical confidence.

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.