Классификация режимов крипторынка с помощью свёрточного автоэнкодера

Сводка

В исследовании свёрточный автоэнкодер используется для выявления основных закономерностей поведения криптовалютного рынка и распределения 40 криптовалют по классам. Рассматриваются двенадцать последовательных шестимесячных периодов, начиная с 15 мая 2013, а изменения состава классов со временем связываются со становлением криптовалютного рынка. Предлагается, чтобы трейдеры интерпретировали меняющиеся группы для понимания структуры рынка и, возможно, принятия инвестиционных или торговых решений.

В документе описаны метод, набор активов и периоды наблюдения, но не приведены подробности классификации, метрики валидации, конкретные результаты по режимам или проверенные торговые правила. Поэтому работа предлагает исследовательский подход машинного обучения для описания эволюции крипторынка, а не свидетельства прибыльности стратегии. Изменения классов связываются со становлением рынка, но в резюме не объясняется, как был обоснован этот вывод и сохраняются ли группы при использовании других данных и моделей.

Ключевые идеи

• Свёрточный автоэнкодер применяется для выявления основных закономерностей на криптовалютных рынках.
• В анализе 40 криптовалюты распределяются по группам на протяжении двенадцати шестимесячных периодов.
• Изменения состава групп интерпретируются в контексте становления рынка.
• Работа предполагает возможную значимость для инвестиций, но не содержит прямого торгового теста или представленных метрик валидации.

Теги

# Deep convolutional autoencoder for cryptocurrency market analysis


# Deep convolutional autoencoder for cryptocurrency market analysis









This study attempts to analyze patterns in cryptocurrency markets using a special type of deep neural networks, namely a convolutional autoencoder. The method extracts the dominant features of market behavior and classifies the 40 studied cryptocurrencies into several classes for twelve 6-month periods starting from 15th May 2013. Transitions from one class to another with time are related to the maturement of cryptocurrencies. In speculative cryptocurrency markets, these findings have potential implications for investment and trading strategies.

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.