コンテンツへスキップ
ライブラリの全資料

高頻度暗号資産シグナルを用いた複数時間軸のニューラル取引

記事 arXiv papers · 著者: Wěi Zhāng
原文を読む

サマリー

この文書は、複数の時間軸にわたるトレンド情報と、短期的な価格方向を予測するニューラルネットワークを組み合わせた暗号資産取引システムについて説明しています。市場価格、オンチェーン指標、注文板の動きを共通の買い圧力・売り圧力シグナルにまとめ、迅速な取引判断を支援することを目指しています。提案手法では統計モデルを使って時間軸をまたぐシグナルを結び付け、高頻度執行を導きます。

このシステムは正のリスク調整後リターンを達成し、統計的信頼性を伴う1秒未満の判断が可能だと文書は主張しています。しかし提示された説明には、データ期間、資産一覧、ベンチマーク、詳細なパフォーマンス指標、検証手順がありません。したがって、モデル化の手法と意図された利点は示されていますが、結果の頑健性や取引コスト・市場環境の変化が考慮されているかを判断するには証拠が不十分です。

主なアイデア

  • 複数時間軸のトレンド分析と、短期の価格方向を予測するニューラルネットワークを組み合わせています。
  • 市場データ、オンチェーン指標、注文板の動きを取引圧力シグナルにまとめています。
  • 暗号資産市場で1秒未満の判断を支援するよう設計されています。
  • 正のリスク調整後リターンを主張していますが、その主張を独立して評価する詳細は示されていません。

タグ

暗号資産機械学習高頻度取引オンチェーンデータ市場マイクロストラクチャー
全文
# 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.

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。