تجارتی اور سماجی اشاروں سے کرپٹو قیمتوں کی ڈیپ لرننگ درجہ بندی
خلاصہ
مطالعہ جانچتا ہے کہ آیا تجارتی اور سوشل میڈیا کے اشارے، صرف تکنیکی اشاروں کے مقابلے میں، کرپٹو قیمت کی تبدیلیوں کی درجہ بندی بہتر کرتے ہیں۔ یہ جنوری 2017 سے جنوری 2021 تک بٹ کوائن اور ایتھریم کے فی گھنٹہ اور روزانہ ڈیٹا کا جائزہ لیتا ہے، اور تکنیکی اشاروں کے محدود فیچر سیٹ کا ایسے وسیع سیٹ سے موازنہ کرتا ہے جس میں تجارتی اور سماجی اشارے بھی شامل ہیں۔ ماڈلز میں ملٹی لیئر پرسیپٹرون، کنولوشنل نیٹ ورکس، LSTM نیٹ ورکس، اور اٹینشن پر مبنی ایل ایس ٹی ایم شامل ہیں۔ گرڈ سرچ ہائپر پیرامیٹر منتخب کرتی ہے، جبکہ آزمائشی نمونوں کے تغیر کو ملحوظ رکھنے کے لیے جدید بُوٹ اسٹریپ طریقہ استعمال ہوتا ہے۔
فی گھنٹہ پیش گوئیوں میں وسیع فیچر سیٹ، صرف تکنیکی اشاروں والے نسخے سے بہتر ہے۔ رپورٹ شدہ درستگی تکنیکی خصوصیات میں تجارتی اشارے شامل کرنے پر 51–55% سے بڑھ کر 67–84% ہو جاتی ہے۔ اقتباس متعلقہ روزانہ نتائج نہیں دیتا اور نہ ہی مختلف ماڈلز، اثاثوں یا مارکیٹ کے ادوار میں کارکردگی کی تفصیل بیان کرتا ہے۔ یہ نتائج مطالعے کے تاریخی نمونے میں درجہ بندی سے متعلق ہیں؛ صرف درستگی تجارتی اخراجات کے بعد منافع ثابت نہیں کرتی۔
اہم خیالات
- مطالعہ صرف تکنیکی خصوصیات کا موازنہ تکنیکی، تجارتی اور سوشل میڈیا اشاروں کے مجموعے سے کرتا ہے۔
- یہ 2017 سے 2021 تک بٹ کوائن اور ایتھریم کے فی گھنٹہ اور روزانہ مشاہدات آزماتا ہے۔
- ہائپر پیرامیٹر کے انتخاب کے لیے گرڈ سرچ کے ساتھ چار نیورل نیٹ ورک طریقے جانچے گئے۔
- آزمائشی نمونوں کے تغیر کو ملحوظ رکھنے کے لیے بُوٹ اسٹریپ تجزیہ کیا گیا۔
- فی گھنٹہ ڈیٹا پر تجارتی اشارے شامل کرنے سے رپورٹ شدہ درستگی 51–55% سے بڑھ کر 67–84% ہو جاتی ہے۔
ٹیگز
مکمل متن
# 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.
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۔