Negociação neural em múltiplos períodos com sinais cripto de alta frequência

Resumo

O documento descreve um sistema de trading de criptomoedas que combina informações de tendência em vários períodos com redes neurais que preveem a direção dos preços no curto prazo. Ele reúne preços de mercado, medidas on-chain e atividade do livro de ofertas em um conjunto compartilhado de sinais de pressão compradora e vendedora, buscando apoiar decisões rápidas de trading. A abordagem proposta usa modelagem estatística para conectar sinais entre horizontes temporais e orientar a execução de alta frequência.

O documento afirma que o sistema obtém retornos ajustados ao risco positivos e consegue tomar decisões em menos de um segundo com confiança estatística. No entanto, a descrição fornecida não informa o período dos dados, a lista de ativos, a referência de comparação, medidas detalhadas de desempenho ou o procedimento de validação. Portanto, apresenta uma abordagem de modelagem e suas vantagens pretendidas, mas não fornece evidências suficientes para avaliar a robustez dos resultados ou se eles levam em conta os custos de trading e as mudanças nas condições de mercado.

Ideias principais

• O sistema combina análise de tendências em vários períodos com redes neurais para prever a direção no curto prazo.
• Ele combina dados de mercado, medidas on-chain e dinâmica do livro de ofertas em sinais de pressão de trading.
• A abordagem foi concebida para apoiar decisões em menos de um segundo nos mercados de criptomoedas.
• A descrição afirma haver retornos ajustados ao risco positivos, mas não oferece detalhes para avaliar essa alegação de forma independente.

Tags

# 2508.02356


# Neural Network-Based Algorithmic Trading Systems: Multi-Timeframe Analysis and High-Frequency Execution in Cryptocurrency Markets









This paper explores neural network-based approaches for algorithmic trading in cryptocurrency markets. Our approach combines multi-timeframe trend analysis with high-frequency direction prediction networks, achieving positive risk-adjusted returns through statistical modeling and systematic market exploitation. The system integrates diverse data sources including market data, on-chain metrics, and orderbook dynamics, translating these into unified buy/sell pressure signals. We demonstrate how machine learning models can effectively capture cross-timeframe relationships, enabling sub-second trading decisions with statistical confidence.

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.