ڈیپ NLP اور مارکیٹ ڈیٹا سے کرپٹو پیش گوئی

خلاصہ

یہ مطالعہ دیکھتا ہے کہ مالیاتی اور بلاک چین ڈیٹا کے ساتھ ملانے پر خبریں اور سوشل میڈیا کا متن Bitcoin اور Ethereum کی قیمتوں کی پیش گوئی بہتر بنا سکتا ہے یا نہیں۔ یہ پہلے سے تربیت یافتہ اور باریک ٹیون کیے گئے لسانی ماڈلز کا لغت پر مبنی جذباتی طریقوں سے موازنہ کرتا ہے، اور تیزی یا مندی کے مواد کی شناخت کے لیے BART MNLI زیرو شاٹ درجہ بندی استعمال کرتا ہے۔ پیش گوئی کے اہداف میں روزانہ کی تبدیلیوں کے ساتھ قیمت کی مقامی انتہائیں بھی شامل ہیں؛ اس انتخاب کا مقصد ٹریڈنگ کی فریکوئنسی اور پورٹ فولیو کے اتار چڑھاؤ کو کم کرنا ہے۔

مصنفین رپورٹ کرتے ہیں کہ متنی خصوصیات شامل کرنے سے پیش گوئی کی درستگی بہتر ہوتی ہے اور ڈیپ لرننگ کے NLP طریقے بھی زیرِ غور توثیقی منظرناموں میں منافع بخشی اور شارپ ریشو بڑھاتے ہیں۔ دستاویز میں نمونے کے حجم، جائزے کے پیمانوں، بنیادی نتائج یا مارکیٹ کی مدت کی تفصیلی معلومات نہیں ہیں، اس لیے صرف اس وضاحت سے ان نتائج کی قوت اور عمومیت کا اندازہ نہیں لگایا جا سکتا۔ یہ تجرباتی پیش گوئی کا طریقہ بیان کرتی ہے، اس بات کا ثبوت نہیں کہ سگنلز لائیو ٹریڈنگ میں یا اخراجات کے بعد بھی منافع بخش رہیں گے۔

اہم خیالات

• مطالعہ Bitcoin اور Ethereum کی پیش گوئی کے لیے مالیاتی اور بلاک چین خصوصیات کو خبروں اور سوشل میڈیا کے متن کے ساتھ ملاتا ہے۔
• یہ ڈیپ لرننگ کے NLP ماڈلز کا لغت پر مبنی جذباتی تجزیے سے موازنہ کرتا ہے۔
• متن کو تیزی یا مندی کے طور پر درجہ بند کرنے کے لیے BART MNLI زیرو شاٹ درجہ بندی استعمال ہوتی ہے۔
• پیش گوئی کے ہدف کے طور پر مقامی انتہائیں استعمال کرنے کا مقصد ٹریڈنگ کی فریکوئنسی اور پورٹ فولیو کا اتار چڑھاؤ کم کرنا ہے۔
• مصنفین پیش گوئی اور ٹریڈنگ کے پیمانوں میں بہتری رپورٹ کرتے ہیں، مگر وضاحت میں توثیق کی تفصیلات اور اخراجات کا تجزیہ نہیں ہے۔

ٹیگز

# 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

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔