Прогнозирование криптовалют с помощью глубокого NLP и рыночных данных

Сводка

Исследование проверяет, могут ли новости и публикации в социальных сетях улучшить прогнозы цен биткоина и Ethereum в сочетании с финансовыми данными и данными блокчейна. Авторы сравнивают предварительно обученные и дообученные языковые модели с методами анализа тональности на основе словарей, а для выявления позитивных и негативных сообщений используют классификацию без примеров BART MNLI. В качестве целей прогноза рассматриваются локальные экстремумы цены и дневные движения; такой выбор призван снизить частоту торговли и волатильность портфеля.

Авторы сообщают, что добавление текстовых признаков повышает точность прогнозирования, а методы глубокого обучения NLP также увеличивают прибыльность и коэффициент Шарпа в рассмотренных сценариях валидации. В документе нет подробных данных о размере выборок, метриках оценки, базовых результатах или рыночных периодах, поэтому по этому описанию нельзя оценить убедительность и обобщаемость выводов. Здесь описан эмпирический подход к прогнозированию, но не доказано, что сигналы сохранят прибыльность в реальной торговле или после учёта издержек.

Ключевые идеи

• Для прогнозирования биткоина и Ethereum исследование объединяет финансовые и блокчейн-признаки с текстами новостей и социальных сетей.
• Сравниваются модели глубокого обучения NLP и анализ тональности на основе словарей.
• Классификация без примеров BART MNLI используется для определения позитивной или негативной тональности текста.
• Использование локальных экстремумов в качестве целей прогноза призвано снизить частоту торговли и волатильность портфеля.
• Авторы сообщают об улучшении показателей прогнозирования и торговли, но описание не содержит подробностей валидации и анализа издержек.

Теги

# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data


# Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data









We introduce novel approaches to cryptocurrency price forecasting, leveraging Machine Learning (ML) and Natural Language Processing (NLP) techniques, with a focus on Bitcoin and Ethereum. By analysing news and social media content, primarily from Twitter and Reddit, we assess the impact of public sentiment on cryptocurrency markets. A distinctive feature of our methodology is the application of the BART MNLI zero-shot classification model to detect bullish and bearish trends, significantly advancing beyond traditional sentiment analysis. Additionally, we systematically compare a range of pre-trained and fine-tuned deep learning NLP models against conventional dictionary-based sentiment analysis methods. Another key contribution of our work is the adoption of local extrema alongside daily price movements as predictive targets, reducing trading frequency and portfolio volatility. Our findings demonstrate that integrating textual data into cryptocurrency price forecasting not only improves forecasting accuracy but also consistently enhances the profitability and Sharpe ratio across various validation scenarios, particularly when applying deep learning NLP techniques. The entire codebase of our experiments is made available via an online repository: https://anonymous.4open.science/r/crypto-forecasting-public

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.