Uma rede residual multiescala CNN e LSTM para prever preços do Bitcoin
Resumo
O artigo propõe MRC-LSTM, um modelo que combina um módulo convolucional residual multiescala com uma rede Long Short-Term Memory para prever o preço de fechamento diário do Bitcoin em USD. Convoluções unidimensionais detectam e combinam características em diferentes escalas temporais de séries multivariadas, enquanto o LSTM aprende dependências de longo prazo. As entradas incluem informações de trading do Bitcoin e fatores externos, como variáveis macroeconômicas e a atenção dos investidores.
Os experimentos comparam o modelo a outras estruturas de rede e relatam que ele tem desempenho significativamente superior na tarefa de previsão do Bitcoin. Experimentos adicionais com Ethereum e Litecoin são apresentados como suporte ao uso do modelo em previsões multivariadas de curto prazo para criptomoedas. A descrição fornecida não informa o período dos dados, as medidas de avaliação, as referências detalhadas nem os resultados de trading fora da amostra; portanto, não mostra se a melhoria na previsão de preços se traduz em estratégias lucrativas ou persiste em outros cenários.
Ideias principais
- MRC-LSTM combina uma rede convolucional residual multiescala com um LSTM para prever o preço de fechamento do Bitcoin.
- O componente convolucional detecta e combina características em diferentes escalas temporais nos dados multivariados.
- O componente LSTM aprende dependências de longo prazo na série.
- O estudo inclui dados de trading, além de variáveis macroeconômicas e medidas de atenção dos investidores.
- As comparações relatadas favorecem o modelo proposto, com experimentos adicionais em criptomoedas, mas a descrição fornecida não apresenta evidências de desempenho em trading.
Tags
Texto completo
# 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.
Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.