Modelos de deep learning para prever a volatilidade de criptomoedas

Artigo arXiv papers · Autor: Anika Tahsin Meem

Resumo

Este estudo aborda o risco de criptomoedas como um problema de previsão de volatilidade e aplica modelos de aprendizado de máquina a medidas de risco calculadas para vinte componentes do mercado de criptomoedas. Compara redes neurais convolucionais, modelos de memória de longo e curto prazo, LSTMs bidirecionais e unidades recorrentes com portas; em seguida, apresenta um novo modelo destinado a superar essas alternativas. Os ativos mencionados incluem Bitcoin, Ethereum e Dogecoin.

O documento informa valores do erro quadrático médio para os modelos proposto e existentes; o modelo proposto apresenta erros tanto menores quanto maiores que os dos modelos de comparação. No entanto, fornece poucos detalhes sobre os dados, o horizonte de previsão, a construção da volatilidade, o desenho da validação ou a estrutura do novo modelo. Assim, não é possível avaliar de forma independente a melhoria alegada com base nesta descrição, e a precisão das previsões, por si só, não demonstra que uma estimativa de volatilidade melhora decisões de trading ou controla o risco em mercados ao vivo.

Ideias principais

A pesquisa trata o risco de criptomoedas como um problema de previsão da volatilidade.
Compara modelos CNN, LSTM, LSTM bidirecionais e GRU com medidas de risco calculadas.
Um novo modelo proposto é avaliado em relação a abordagens existentes usando RMSE.
O resumo cita Bitcoin, Ethereum e Dogecoin, mas traz poucas informações sobre os dados e a validação.
Os resultados de erro de previsão não demonstram, por si só, ganhos práticos em trading ou gestão de risco.

Tags

Cripto Aprendizado de máquina Volatilidade Gestão de risco Estatística

Texto completo

# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall

In modern times, the cryptocurrency market is one of the world's most rapidly rising financial markets. The cryptocurrency market is regarded to be more volatile and illiquid than traditional markets such as equities, foreign exchange, and commodities. The risk of this market creates an uncertain condition among the investors. The purpose of this research is to predict the magnitude of the risk factor of the cryptocurrency market. Risk factor is also called volatility. Our approach will assist people who invest in the cryptocurrency market by overcoming the problems and difficulties they experience. Our approach starts with calculating the risk factor of the cryptocurrency market from the existing parameters. In twenty elements of the cryptocurrency market, the risk factor has been predicted using different machine learning algorithms such as CNN, LSTM, BiLSTM, and GRU. All of the models have been applied to the calculated risk factor parameter. A new model has been developed to predict better than the existing models. Our proposed model gives the highest RMSE value of 1.3229 and the lowest RMSE value of 0.0089. Following our model, it will be easier for investors to trade in complicated and challenging financial assets like bitcoin, Ethereum, dogecoin, etc. Where the other existing models, the highest RMSE was 14.5092, and the lower was 0.02769. So, the proposed model performs much better than models with proper generalization. Using our approach, it will be easier for investors to trade in complicated and challenging financial assets like Bitcoin, Ethereum, and Dogecoin.

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.