Transformers de fusão temporal adaptativos para prever preços de criptoativos

Resumo

O artigo propõe uma abordagem adaptativa com Temporal Fusion Transformer para previsão de preços de criptomoedas no curto prazo. Para lidar com a não estacionariedade e as variações bruscas dos preços, segmenta a série em subsequências de comprimento variável que terminam em máximos relativos: pontos em que os ganhos desde um mínimo anterior superam um limite. A intenção é identificar fases de alta relevantes e filtrar parte do ruído. Um padrão de comprimento fixo no fim de um segmento determina a categoria do segmento seguinte, agrupando trajetórias de preços subsequentes de acordo com as condições anteriores.

Um TFT separado é treinado para cada categoria, a fim de prever a evolução do próximo segmento com base em suas observações iniciais. Os experimentos usam dados de dez minutos de ETH-USDT e um período de teste de dois meses. O documento relata maior precisão preditiva e lucratividade em trading simulado que as referências de comprimento fixo TFT e LSTM. Esses resultados se limitam ao ativo, ao intervalo e ao período de teste indicados; o documento não comprova que o método se aplique a outras criptomoedas, regimes de mercado ou ao trading ao vivo após os custos de execução.

Ideias principais

• Os segmentos de comprimento variável terminam quando os ganhos desde um mínimo anterior superam um limite.
• O padrão final de comprimento fixo de um segmento define a categoria do próximo.
• Modelos TFT separados preveem segmentos seguintes para cada categoria de padrão.
• No teste relatado, o ETH-USDT supera as referências de comprimento fixo TFT e LSTM em precisão e lucratividade simulada.
• As evidências se limitam ao ativo, ao intervalo de amostragem e ao período de teste indicados.

Tags

# 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.

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.