LSTM: краткосрочные движения цен криптовалют по данным сделок

Сводка

В статье описана модель с долговременной памятью (Long Short-Term Memory), которая прогнозирует направление цены криптовалюты на фиксированном краткосрочном горизонте по данным отдельных сделок за ретроспективный период. Рабочий процесс включает разработку признаков и поиск гиперпараметров; модель обучается почти на годе данных о транзакциях.

Авторы сообщают о точности вне выборки выше 60%, стабильности результатов на разных тестовых периодах и симуляции торговли, в которой прогнозы могли бы приносить доход. Также сообщается, что параметры, обученные на одних инструментах, сохраняют эффективность на других криптовалютах. В отрывке не указаны активы, горизонт прогноза, даты выборки, предположения для симуляции или результаты после комиссий и проскальзывания. Поэтому эти результаты не доказывают прибыльность реальной торговли или универсальную переносимость подхода на крипторынки.

Ключевые идеи

• Сети LSTM используют для прогнозирования краткосрочного направления цен криптовалют по отдельным сделкам.
• Разработка признаков и поиск гиперпараметров — важные этапы моделирования.
• В статье сообщается о точности вне выборки выше 60% и симуляции торговли, в которой прогнозы могли приносить доход.
• Сообщается о переносе результатов на другие криптовалютные инструменты, но подробности симуляции и учёта издержек не указаны.

Теги

# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data


# A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data









This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

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.