Адаптивные Temporal Fusion Transformers для прогнозирования цен криптовалют

Сводка

В статье предлагается адаптивный подход на основе Temporal Fusion Transformer для краткосрочного прогнозирования цен криптовалют. Для работы с нестационарностью и резкими изменениями цен временной ряд разбивается на сегменты переменной длины, заканчивающиеся локальными максимумами: точками, где рост от предшествующего минимума превышает заданный порог. Такой подход призван выделять значимые восходящие фазы и отфильтровывать часть шума. Категория следующего сегмента определяется шаблоном фиксированной длины в конце предыдущего; так последующие траектории цен группируются по предшествующим условиям.

Для каждой категории обучается отдельная модель TFT, прогнозирующая развитие следующего сегмента по его начальным наблюдениям. В экспериментах использованы десятиминутные данные ETH-USDT и тестовый период продолжительностью два месяца. Согласно документу, точность прогнозов и прибыльность симулированной торговли были выше, чем у моделей с сегментами фиксированной длины TFT и LSTM. Эти результаты относятся к указанному активу, интервалу и тестовому периоду; документ не устанавливает, применим ли метод к другим криптовалютам, режимам рынка или реальной торговле с учётом издержек исполнения.

Ключевые идеи

• Сегменты переменной длины заканчиваются, когда рост от предыдущего минимума превышает заданный порог.
• Категория следующего сегмента определяется шаблоном фиксированной длины в конце предыдущего.
• Для прогнозирования последующих сегментов в каждой категории шаблонов используются отдельные модели TFT.
• Согласно результатам тестирования ETH-USDT, модели превосходят базовые варианты с сегментами фиксированной длины TFT и LSTM по точности и прибыльности симулированной торговли.
• Данные ограничены указанными активом, интервалом выборки и тестовым периодом.

Теги

# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction


# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction









Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.

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.