ٹریڈ ڈیٹا سے قلیل مدتی کرپٹو قیمت کی حرکتوں کی LSTM پیش گوئی

خلاصہ

یہ مقالہ لانگ شارٹ ٹرم میموری ماڈل بیان کرتا ہے، جو پیچھے کی مدت کے ٹریڈ بہ ٹریڈ ڈیٹا سے مقررہ قلیل مدتی افق پر کرپٹو کرنسی کی قیمت کی سمت کی پیش گوئی کرتا ہے۔ اس کے طریقۂ کار میں فیچر ڈیزائن اور ہائپر پیرامیٹر کی تلاش شامل ہے، جبکہ تربیت تقریباً ایک سال کے لین دین کے مشاہدات پر کی گئی۔

مصنفین 60% سے زیادہ آؤٹ آف سیمپل درستگی رپورٹ کرتے ہیں، کہتے ہیں کہ ٹیسٹ ادوار میں کارکردگی مستحکم رہی، اور ایسی ٹریڈنگ سیمولیشن بیان کرتے ہیں جس میں پیش گوئیوں سے منیٹائز کیا جا سکتا تھا۔ وہ یہ بھی رپورٹ کرتے ہیں کہ بعض انسٹرومنٹس پر تربیت یافتہ پیرامیٹرز دیگر کرپٹو کرنسیوں پر بھی کارکردگی برقرار رکھتے ہیں۔ اقتباس اثاثوں، پیش گوئی کے افق، نمونے کی تاریخوں، سیمولیشن کے مفروضوں یا فیس اور سلپیج کے بعد کی کارکردگی کی نشاندہی نہیں کرتا۔ لہٰذا یہ نتائج لائیو ٹریڈنگ میں منافع یا تمام کرپٹو مارکیٹس میں یکساں منتقلی ثابت نہیں کرتے۔

اہم خیالات

• یہ فریم ورک ٹریڈ بہ ٹریڈ مشاہدات سے قلیل مدتی کرپٹو کرنسی قیمت کی سمت کی پیش گوئی کے لیے LSTM نیٹ ورکس استعمال کرتا ہے۔
• فیچر ڈیزائن اور ہائپر پیرامیٹر کی تلاش ماڈلنگ کے عمل کے اہم حصے ہیں۔
• مقالہ 60% سے زیادہ آؤٹ آف سیمپل درستگی اور منیٹائز کی جا سکنے والی پیش گوئیوں کی ٹریڈنگ سیمولیشن رپورٹ کرتا ہے۔
• یہ دیگر کرپٹو کرنسی انسٹرومنٹس پر منتقلی کی اطلاع دیتا ہے، مگر اخراجات اور سیمولیشن کی تفصیلات واضح نہیں کرتا۔

ٹیگز

# 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.

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۔