コンテンツへスキップ
ライブラリの全資料

取引・ソーシャル指標を用いた暗号資産価格のディープラーニング分類

記事 arXiv papers · 著者: Marco Ortu et al.
原文を読む

サマリー

この研究では、取引指標やソーシャルメディア指標が、テクニカル指標だけの場合と比べて、暗号資産の価格変動の分類精度を高めるかを検証しています。2017から2021までのビットコインとイーサリアムの日次・時間足データを評価し、テクニカル指標のみの限定的な特徴量セットと、取引・ソーシャル指標も含む拡張セットを比較しています。モデルには多層パーセプトロン、畳み込みネットワーク、LSTMネットワーク、注意機構を用いたLSTMが含まれます。グリッドサーチでハイパーパラメータを選び、高度なブートストラップ手法でテストサンプルのばらつきを考慮しています。

時間別予測では、拡張特徴量セットがテクニカル指標のみの構成を上回ります。テクニカル指標に取引指標を加えると、報告された正解率は51～55%から67～84%に上昇します。抜粋には対応する日次結果や、モデル・資産・市場局面ごとの性能の違いは記されていません。これらの知見は研究対象の過去サンプルにおける分類結果であり、正解率だけでは取引コスト控除後の収益性は示されません。

主なアイデア

  • テクニカル指標のみの特徴量と、取引・ソーシャルメディア指標を加えた特徴量を比較します。
  • 2017から2021までの時間別・日次データでビットコインとイーサリアムを検証しています。
  • 4種類のニューラルネットワークを評価し、グリッドサーチでハイパーパラメータを選択します。
  • テストサンプルのばらつきを考慮するため、ブートストラップ分析を用いています。
  • 時間別データでは、取引指標を加えると報告された正解率が51～55%から67～84%に改善します。

タグ

暗号資産機械学習テクニカル指標センチメント統計
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。