Transformer hợp nhất thời gian thích ứng để dự báo giá tiền mã hóa

Tóm tắt

Bài báo đề xuất cách tiếp cận Transformer hợp nhất thời gian thích ứng để dự báo giá tiền mã hóa ngắn hạn. Cách tiếp cận xử lý tính không dừng và biến động giá mạnh bằng cách chia chuỗi thành các chuỗi con có độ dài thay đổi, kết thúc tại các cực đại tương đối: những điểm mà mức tăng từ cực tiểu trước đó vượt một ngưỡng. Cách này nhằm đánh dấu các pha tăng có ý nghĩa đồng thời lọc bớt nhiễu. Một mẫu có độ dài cố định ở cuối một đoạn xác định nhóm của đoạn tiếp theo, phân loại các đường giá tiếp sau theo điều kiện trước đó.

Một mô hình TFT riêng được huấn luyện cho từng nhóm để dự báo diễn biến của đoạn tiếp theo từ những quan sát ban đầu. Thí nghiệm dùng dữ liệu mười phút của ETH-USDT và giai đoạn kiểm thử hai tháng. Tài liệu báo cáo độ chính xác dự báo và khả năng sinh lời giao dịch mô phỏng tốt hơn các chuẩn đối chiếu TFT độ dài cố định và LSTM. Những kết quả này chỉ áp dụng cho tài sản, khoảng thời gian và giai đoạn kiểm thử đã nêu; tài liệu không chứng minh phương pháp có thể chuyển sang tiền mã hóa khác, các chế độ thị trường khác hoặc giao dịch thực sau chi phí thực thi.

Ý chính

• Các đoạn có độ dài thay đổi kết thúc khi mức tăng từ cực tiểu trước đó vượt ngưỡng.
• Mẫu có độ dài cố định cuối cùng trong một đoạn gán nhóm cho đoạn tiếp theo.
• Các mô hình TFT riêng dự báo những đoạn tiếp sau trong từng nhóm mẫu.
• Phép thử ETH-USDT được báo cáo vượt các chuẩn TFT và LSTM độ dài cố định về độ chính xác và khả năng sinh lời mô phỏng.
• Bằng chứng chỉ giới hạn ở tài sản, khoảng lấy mẫu và giai đoạn kiểm thử đã nêu.

Thẻ

# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction


# Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction









Precise short-term price prediction in the highly volatile cryptocurrency market is critical for informed trading strategies. Although Temporal Fusion Transformers (TFTs) have shown potential, their direct use often struggles in the face of the market's non-stationary nature and extreme volatility. This paper introduces an adaptive TFT modeling approach leveraging dynamic subseries lengths and pattern-based categorization to enhance short-term forecasting. We propose a novel segmentation method where subseries end at relative maxima, identified when the price increase from the preceding minimum surpasses a threshold, thus capturing significant upward movements, which act as key markers for the end of a growth phase, while potentially filtering the noise. Crucially, the fixed-length pattern ending each subseries determines the category assigned to the subsequent variable-length subseries, grouping typical market responses that follow similar preceding conditions. A distinct TFT model trained for each category is specialized in predicting the evolution of these subsequent subseries based on their initial steps after the preceding peak. Experimental results on ETH-USDT 10-minute data over a two-month test period demonstrate that our adaptive approach significantly outperforms baseline fixed-length TFT and LSTM models in prediction accuracy and simulated trading profitability. Our combination of adaptive segmentation and pattern-conditioned forecasting enables more robust and responsive cryptocurrency price prediction.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.