Нейросетевая торговля криптовалютами на нескольких таймфреймах

Сводка

В документе описывается система торговли криптовалютами, сочетающая трендовую информацию с нескольких таймфреймов и нейронные сети для прогноза ближайшего направления цены. Рыночные цены, ончейн-показатели и активность в стакане объединяются в сигналы давления покупателей и продавцов, призванные помогать быстро принимать торговые решения. Предложенный подход использует статистическое моделирование, чтобы связывать сигналы с разных временных горизонтов и управлять высокочастотным исполнением.

В документе заявляется, что система обеспечивает положительную доходность с поправкой на риск и может принимать решения менее чем за секунду со статистической уверенностью. Однако в описании нет периода данных, списка активов, ориентира, подробных показателей эффективности или процедуры валидации. Таким образом, оно излагает метод моделирования и его предполагаемые преимущества, но не даёт достаточных оснований оценить устойчивость результатов или учёт торговых издержек и меняющихся рыночных условий.

Ключевые идеи

• Система объединяет анализ трендов на нескольких таймфреймах с нейросетевым прогнозом краткосрочного направления.
• Рыночные данные, ончейн-показатели и динамика стакана объединяются в сигналы давления покупателей и продавцов.
• Подход рассчитан на принятие решений менее чем за секунду на криптовалютных рынках.
• В описании заявлена положительная доходность с поправкой на риск, но не приведены сведения для независимой проверки этого утверждения.

Теги

# 2508.02356


# Neural Network-Based Algorithmic Trading Systems: Multi-Timeframe Analysis and High-Frequency Execution in Cryptocurrency Markets









This paper explores neural network-based approaches for algorithmic trading in cryptocurrency markets. Our approach combines multi-timeframe trend analysis with high-frequency direction prediction networks, achieving positive risk-adjusted returns through statistical modeling and systematic market exploitation. The system integrates diverse data sources including market data, on-chain metrics, and orderbook dynamics, translating these into unified buy/sell pressure signals. We demonstrate how machine learning models can effectively capture cross-timeframe relationships, enabling sub-second trading decisions with statistical confidence.

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.