Aprendizado profundo para classificar preços cripto com sinais sociais
Resumo
O estudo testa se indicadores de negociação e redes sociais melhoram a classificação das mudanças de preço de criptomoedas além dos indicadores técnicos isolados. Avalia dados horários e diários de Bitcoin e Ethereum de janeiro de 2017 a janeiro de 2021, comparando um conjunto restrito de indicadores técnicos com outro ampliado, que também inclui sinais de negociação e sociais. Os modelos incluem perceptrons multicamadas, redes convolucionais, redes LSTM e LSTMs com atenção. A busca em grade seleciona os hiperparâmetros, e um método avançado de bootstrap é usado para considerar a variação nas amostras de teste.
Nas previsões por hora, o conjunto ampliado de características supera a versão baseada apenas em indicadores técnicos. A precisão relatada aumenta de 51–55% para 67–84% quando indicadores de negociação são adicionados aos técnicos. O trecho não apresenta os resultados diários correspondentes nem detalha como o desempenho varia entre modelos, ativos ou regimes de mercado. Esses resultados dizem respeito à classificação na amostra histórica do estudo; a precisão, por si só, não demonstra lucratividade após os custos de negociação.
Ideias principais
- O estudo compara características apenas técnicas com indicadores técnicos, de negociação e de redes sociais.
- Testa Bitcoin e Ethereum com observações horárias e diárias de 2017 a 2021.
- Quatro abordagens de redes neurais são avaliadas, com busca em grade para selecionar hiperparâmetros.
- A análise por bootstrap considera a variabilidade das amostras de teste.
- Nos dados por hora, a precisão relatada melhora de 51–55% para 67–84% com a inclusão de indicadores de negociação.
Tags
Texto completo
# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning # On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.
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.