Previsão de cripto com NLP profundo e dados de mercado

Resumo

O estudo examina se textos de notícias e redes sociais podem melhorar as previsões de preços do Bitcoin e do Ethereum quando combinados com dados financeiros e de blockchain. Compara modelos de linguagem pré-treinados e ajustados com métodos de sentimento baseados em dicionário e usa classificação zero-shot BART MNLI para identificar conteúdo de alta ou de baixa. Os alvos de previsão incluem extremos locais de preço e movimentos diários, uma escolha destinada a reduzir a frequência de trading e a volatilidade da carteira.

Os autores relatam que a inclusão de características textuais melhora a precisão das previsões e que métodos de NLP de aprendizado profundo também elevam a rentabilidade e o índice de Sharpe nos cenários de validação considerados. O documento não fornece tamanhos detalhados das amostras, métricas de avaliação, resultados de referência nem informações sobre os períodos de mercado, de modo que não é possível avaliar a força e a generalidade desses resultados apenas com essa descrição. Ele descreve uma abordagem empírica de previsão, não evidências de que os sinais continuarão rentáveis no trading ao vivo ou após os custos de trading.

Ideias principais

• O estudo combina características financeiras e de blockchain com textos de notícias e redes sociais para prever Bitcoin e Ethereum.
• Compara modelos de NLP de aprendizado profundo com análise de sentimento baseada em dicionário.
• A classificação zero-shot BART MNLI é usada para categorizar textos como de alta ou de baixa.
• Usar extremos locais como alvos de previsão busca reduzir a frequência de trading e a volatilidade da carteira.
• Os autores relatam melhorias nas métricas de previsão e trading, mas a descrição omite detalhes de validação e análise de custos.

Tags

# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data


# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data









We introduce novel approaches to cryptocurrency price forecasting, leveraging Machine Learning (ML) and Natural Language Processing (NLP) techniques, with a focus on Bitcoin and Ethereum. By analysing news and social media content, primarily from Twitter and Reddit, we assess the impact of public sentiment on cryptocurrency markets. A distinctive feature of our methodology is the application of the BART MNLI zero-shot classification model to detect bullish and bearish trends, significantly advancing beyond traditional sentiment analysis. Additionally, we systematically compare a range of pre-trained and fine-tuned deep learning NLP models against conventional dictionary-based sentiment analysis methods. Another key contribution of our work is the adoption of local extrema alongside daily price movements as predictive targets, reducing trading frequency and portfolio volatility. Our findings demonstrate that integrating textual data into cryptocurrency price forecasting not only improves forecasting accuracy but also consistently enhances the profitability and Sharpe ratio across various validation scenarios, particularly when applying deep learning NLP techniques. The entire codebase of our experiments is made available via an online repository: https://anonymous.4open.science/r/crypto-forecasting-public

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.