Глубокое обучение для прогноза волатильности криптовалют
Сводка
В исследовании риск криптовалют рассматривается как задача прогнозирования волатильности; модели машинного обучения применяются к рассчитанным показателям риска для двадцати элементов рынка криптовалют. Сравниваются сверточные нейронные сети, модели LSTM, двунаправленные LSTM и GRU, после чего предлагается новая модель, призванная превзойти эти подходы. Среди рассматриваемых активов — Bitcoin, Ethereum и Dogecoin.
В документе приводятся значения среднеквадратичной ошибки для предложенной и существующих моделей; у нового подхода ошибки варьируются от меньших до больших, чем у моделей сравнения. Однако здесь мало сведений о данных, горизонте прогноза, расчете волатильности, схеме проверки или устройстве новой модели. Поэтому заявленное улучшение нельзя независимо оценить по этому описанию, а точность прогноза сама по себе не показывает, улучшает ли оценка волатильности торговые решения или помогает ли контролировать риск на реальных рынках.
Ключевые идеи
- В исследовании риск криптовалют рассматривается как задача прогнозирования волатильности.
- В исследовании сравниваются CNN, LSTM, двунаправленные модели LSTM и модели GRU по рассчитанным показателям риска.
- Новую модель сравнивают с существующими подходами по показателю RMSE.
- В кратком описании названы Bitcoin, Ethereum и Dogecoin, но мало сведений о данных и проверке.
- Результаты по ошибке прогноза сами по себе не подтверждают практический выигрыш для торговли или управления рисками.
Теги
Полный текст
# A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall # A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall In modern times, the cryptocurrency market is one of the world's most rapidly rising financial markets. The cryptocurrency market is regarded to be more volatile and illiquid than traditional markets such as equities, foreign exchange, and commodities. The risk of this market creates an uncertain condition among the investors. The purpose of this research is to predict the magnitude of the risk factor of the cryptocurrency market. Risk factor is also called volatility. Our approach will assist people who invest in the cryptocurrency market by overcoming the problems and difficulties they experience. Our approach starts with calculating the risk factor of the cryptocurrency market from the existing parameters. In twenty elements of the cryptocurrency market, the risk factor has been predicted using different machine learning algorithms such as CNN, LSTM, BiLSTM, and GRU. All of the models have been applied to the calculated risk factor parameter. A new model has been developed to predict better than the existing models. Our proposed model gives the highest RMSE value of 1.3229 and the lowest RMSE value of 0.0089. Following our model, it will be easier for investors to trade in complicated and challenging financial assets like bitcoin, Ethereum, dogecoin, etc. Where the other existing models, the highest RMSE was 14.5092, and the lower was 0.02769. So, the proposed model performs much better than models with proper generalization. Using our approach, it will be easier for investors to trade in complicated and challenging financial assets like Bitcoin, Ethereum, and Dogecoin.
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.