본문으로 건너뛰기
라이브러리 문서 전체

암호화폐 가격 예측을 위한 적응형 Temporal Fusion Transformer

기사 arXiv papers · 저자: Arash Peik et al.
원문 읽기

요약

이 논문은 단기 암호화폐 가격 예측을 위한 적응형 Temporal Fusion Transformer 접근법을 제안합니다. 비정상성과 급격한 가격 변동에 대응하기 위해 시계열을 길이가 서로 다른 하위 시계열로 나눕니다. 각 하위 시계열은 직전 최저점 이후의 상승 폭이 임계값을 넘는 상대적 고점에서 끝납니다. 이를 통해 일부 노이즈를 걸러내면서 의미 있는 상승 구간을 표시하려 합니다. 한 구간 끝의 고정 길이 패턴으로 다음 구간의 범주를 정하고, 앞선 조건에 따라 이후 가격 경로를 분류합니다.

각 범주마다 별도의 TFT를 학습해 다음 구간의 초기 관측값으로 그 구간의 흐름을 예측합니다. 실험에는 ETH-USDT 10분 데이터와 2개월 테스트 기간을 사용합니다. 문서는 고정 길이 TFT 및 LSTM 기준 모형보다 예측 정확도와 모의 트레이딩 수익성이 높았다고 보고합니다. 이 결과는 명시된 자산과 간격, 테스트 기간에 한정됩니다. 실행 비용을 반영한 뒤 다른 암호화폐나 시장 국면 또는 실거래에서도 이 방법이 통할지는 입증하지 않습니다.

핵심 아이디어

  • 직전 최저점 이후의 상승 폭이 임계값을 넘으면 길이가 다른 구간이 끝납니다.
  • 한 구간 끝의 고정 길이 패턴으로 다음 구간의 범주를 정합니다.
  • 각 패턴 범주에서 별도의 TFT 모형이 다음 구간을 예측합니다.
  • 보고된 ETH-USDT 테스트는 정확도와 모의 수익성에서 고정 길이 TFT 및 LSTM 기준 모형보다 우수합니다.
  • 근거는 명시된 자산과 샘플링 간격, 테스트 기간에 한정됩니다.

태그

가상자산머신러닝백테스트변동성모멘텀
전문
# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction


# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction









Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.

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

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