본문으로 건너뛰기
라이브러리 문서 전체

비트코인 가격 예측을 위한 다중 스케일 잔차 CNN 및 LSTM

기사 arXiv papers · 저자: Qiutong Guo et al.
원문 읽기

요약

이 논문은 다중 스케일 잔차 합성곱 모듈과 Long Short-Term Memory 네트워크를 결합해 비트코인의 일일 USD 종가를 예측하는 MRC-LSTM 모형을 제안합니다. 1차원 합성곱은 다변량 시계열의 여러 시간 스케일에 걸쳐 특징을 찾아 결합하고, LSTM는 장기 의존성을 학습합니다. 입력에는 비트코인 거래 정보와 거시경제 변수, 투자자 관심도 같은 외부 요인이 포함됩니다.

실험은 이 모형을 다른 네트워크 구조와 비교해 비트코인 예측 과제에서 유의하게 더 나은 성능을 보였다고 보고합니다. 이더리움과 라이트코인에 대한 추가 실험은 단기 다변량 암호화폐 예측에 모형을 적용할 수 있다는 근거로 제시됩니다. 제공된 설명에는 데이터 기간, 평가 지표, 상세한 비교 기준, 표본외 매매 결과가 없어 가격 예측 개선이 수익성 있는 전략으로 이어지거나 다른 환경에서도 지속되는지는 알 수 없습니다.

핵심 아이디어

  • MRC-LSTM는 비트코인 종가 예측을 위해 다중 스케일 잔차 합성곱 신경망과 LSTM를 결합합니다.
  • 합성곱 구성 요소는 다변량 데이터의 여러 시간 스케일에서 특징을 찾고 결합합니다.
  • LSTM 구성 요소는 시계열의 장기 의존성을 학습합니다.
  • 이 연구는 거시경제 변수와 투자자 관심도 지표에 거래 데이터를 더해 사용합니다.
  • 보고된 비교에서는 제안된 모형이 더 나은 성능을 보였고 다른 암호화폐 실험도 포함했지만, 제공된 설명에는 매매 성과 근거가 없습니다.

태그

가상자산머신러닝통계변동성
전문
# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price


# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price









Bitcoin, one of the major cryptocurrencies, presents great opportunities and challenges with its tremendous potential returns accompanying high risks. The high volatility of Bitcoin and the complex factors affecting them make the study of effective price forecasting methods of great practical importance to financial investors and researchers worldwide. In this paper, we propose a novel approach called MRC-LSTM, which combines a Multi-scale Residual Convolutional neural network (MRC) and a Long Short-Term Memory (LSTM) to implement Bitcoin closing price prediction. Specifically, the Multi-scale residual module is based on one-dimensional convolution, which is not only capable of adaptive detecting features of different time scales in multivariate time series, but also enables the fusion of these features. LSTM has the ability to learn long-term dependencies in series, which is widely used in financial time series forecasting. By mixing these two methods, the model is able to obtain highly expressive features and efficiently learn trends and interactions of multivariate time series. In the study, the impact of external factors such as macroeconomic variables and investor attention on the Bitcoin price is considered in addition to the trading information of the Bitcoin market. We performed experiments to predict the daily closing price of Bitcoin (USD), and the experimental results show that MRC-LSTM significantly outperforms a variety of other network structures. Furthermore, we conduct additional experiments on two other cryptocurrencies, Ethereum and Litecoin, to further confirm the effectiveness of the MRC-LSTM in short-term forecasting for multivariate time series of cryptocurrencies.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.