Глубокое обучение для классификации цен криптовалют по торговым и социальным сигналам
Сводка
В исследовании проверяется, улучшают ли торговые показатели и индикаторы социальных сетей классификацию изменений цен криптовалют по сравнению с одними техническими индикаторами. Анализируются почасовые и дневные данные по Bitcoin и Ethereum с января 2017 по январь 2021; сравнивается ограниченный набор технических признаков с расширенным набором, включающим также торговые и социальные сигналы. Среди моделей — многослойные перцептроны, свёрточные сети, сети LSTM и LSTM с механизмом внимания. Гиперпараметры выбираются поиском по сетке, а для учёта вариации тестовых выборок применяется усовершенствованный метод бутстрэп.
Для почасовых прогнозов расширенный набор признаков превосходит вариант только с техническими индикаторами. При добавлении торговых индикаторов к техническим точность, согласно сообщению, повышается с 51–55% до 67–84%. В отрывке не приведены соответствующие результаты для дневных данных и не уточняется, как показатели различаются между моделями, активами или рыночными режимами. Эти выводы относятся к классификации на исторической выборке исследования; одна лишь точность не доказывает прибыльность после торговых издержек.
Ключевые идеи
- В исследовании сравниваются признаки только на основе технических индикаторов с признаками, включающими также торговые показатели и индикаторы социальных сетей.
- Проверяются Bitcoin и Ethereum на почасовых и дневных данных за период с 2017 по 2021.
- Оцениваются четыре подхода на основе нейронных сетей; гиперпараметры выбираются поиском по сетке.
- Для учёта вариации тестовых выборок используется бутстрэп-анализ.
- На почасовых данных сообщается о росте точности с 51–55% до 67–84% при добавлении торговых индикаторов.
Теги
Полный текст
# On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning # On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.
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.