Многомасштабная остаточная сеть CNN и LSTM для прогноза цены биткоина
Сводка
В статье предложена модель MRC-LSTM, объединяющая многомасштабный остаточный свёрточный модуль с сетью долгой краткосрочной памяти для прогноза дневной цены закрытия биткоина в USD. Одномерные свёртки используются для выявления и объединения признаков на разных временных масштабах в многомерных рядах, а LSTM обучается выявлять долгосрочные зависимости. Среди входных данных — сведения о торговле биткоином и внешние факторы, например макроэкономические показатели и внимание инвесторов.
В экспериментах модель сравнивается с другими сетевыми архитектурами; сообщается, что в задаче прогноза биткоина она показывает значительно лучшие результаты. Дополнительные эксперименты с Ethereum и Litecoin приводятся в поддержку её применения для краткосрочного многомерного прогнозирования курсов криптовалют. В предоставленном описании не указаны период данных, метрики оценки, подробности о базовых моделях или результаты торговли вне выборки, поэтому оно не показывает, превращается ли улучшенный прогноз цен в прибыльные стратегии и сохраняется ли он в других условиях.
Ключевые идеи
- MRC-LSTM объединяет многомасштабную остаточную свёрточную сеть с LSTM для прогноза цены закрытия биткоина.
- Свёрточный компонент выявляет и объединяет признаки на разных временных масштабах в многомерных данных.
- Компонент LSTM обучается выявлять долгосрочные зависимости в ряду.
- Исследование учитывает торговые данные, а также макроэкономические переменные и показатели внимания инвесторов.
- В приведённых сравнениях предложенная модель показывает лучшие результаты; в исследовании также рассматриваются другие криптовалюты, но предоставленное описание не содержит данных об эффективности торговли.
Теги
Полный текст
# MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price # MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price Bitcoin, one of the major cryptocurrencies, presents great opportunities and challenges with its tremendous potential returns accompanying high risks. The high volatility of Bitcoin and the complex factors affecting them make the study of effective price forecasting methods of great practical importance to financial investors and researchers worldwide. In this paper, we propose a novel approach called MRC-LSTM, which combines a Multi-scale Residual Convolutional neural network (MRC) and a Long Short-Term Memory (LSTM) to implement Bitcoin closing price prediction. Specifically, the Multi-scale residual module is based on one-dimensional convolution, which is not only capable of adaptive detecting features of different time scales in multivariate time series, but also enables the fusion of these features. LSTM has the ability to learn long-term dependencies in series, which is widely used in financial time series forecasting. By mixing these two methods, the model is able to obtain highly expressive features and efficiently learn trends and interactions of multivariate time series. In the study, the impact of external factors such as macroeconomic variables and investor attention on the Bitcoin price is considered in addition to the trading information of the Bitcoin market. We performed experiments to predict the daily closing price of Bitcoin (USD), and the experimental results show that MRC-LSTM significantly outperforms a variety of other network structures. Furthermore, we conduct additional experiments on two other cryptocurrencies, Ethereum and Litecoin, to further confirm the effectiveness of the MRC-LSTM in short-term forecasting for multivariate time series of cryptocurrencies.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.