LSTM da direção de preços de cripto no curto prazo

Resumo

Este artigo descreve um modelo Long Short-Term Memory que prevê a direção dos preços de criptomoedas em um horizonte curto e fixo, usando dados de cada operação de um período retrospectivo. Seu fluxo de trabalho inclui a criação de características e a busca de hiperparâmetros, com treinamento baseado em quase um ano de observações de transações.

Os autores relatam acurácia fora da amostra acima de 60%, afirmam que o desempenho permanece estável entre períodos de teste e descrevem uma simulação de negociação em que seria possível monetizar as previsões. Também relatam que parâmetros treinados em alguns instrumentos mantêm o desempenho em outras criptomoedas. O trecho não identifica os ativos, o horizonte da previsão, as datas da amostra, as hipóteses da simulação nem o desempenho após taxas e slippage. Portanto, esses resultados relatados não estabelecem lucratividade em operações ao vivo nem transferência universal entre mercados cripto.

Ideias principais

• A estrutura usa redes LSTM para prever a direção de preços de criptomoedas em horizontes curtos a partir de observações de cada operação.
• A criação de características e a busca de hiperparâmetros são partes centrais do processo de modelagem.
• O artigo relata acurácia fora da amostra acima de 60% e uma simulação de trading com previsões monetizáveis.
• O artigo relata transferência para outros instrumentos de criptomoedas, mas não especifica custos nem detalhes da simulação.

Tags

# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data


# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data









This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

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.