Dự báo tiền mã hóa bằng NLP sâu và dữ liệu thị trường

Tóm tắt

Nghiên cứu xem xét liệu văn bản từ tin tức và mạng xã hội có thể cải thiện dự báo giá Bitcoin và Ethereum khi kết hợp với dữ liệu tài chính và blockchain hay không. Nghiên cứu so sánh các mô hình ngôn ngữ được huấn luyện trước và tinh chỉnh với phương pháp phân tích cảm xúc dựa trên từ điển, đồng thời sử dụng phân loại zero-shot BART MNLI để nhận diện nội dung lạc quan hoặc bi quan. Mục tiêu dự báo gồm các cực trị cục bộ của giá cũng như biến động hằng ngày; lựa chọn này nhằm giảm tần suất giao dịch và biến động danh mục.

Các tác giả báo cáo rằng việc bổ sung đặc trưng văn bản cải thiện độ chính xác dự báo, đồng thời các phương pháp NLP học sâu cũng nâng cao khả năng sinh lời và tỷ lệ Sharpe trong các kịch bản kiểm định được xem xét. Tài liệu không cung cấp cỡ mẫu chi tiết, thước đo đánh giá, kết quả chuẩn đối chiếu hay thông tin về giai đoạn thị trường, nên chỉ riêng mô tả này chưa thể đánh giá độ mạnh và khả năng khái quát của các phát hiện. Tài liệu mô tả một phương pháp dự báo thực nghiệm, chứ không phải bằng chứng cho thấy tín hiệu sẽ tiếp tục sinh lời trong giao dịch thực hoặc sau chi phí giao dịch.

Ý chính

• Nghiên cứu kết hợp đặc trưng tài chính và blockchain với văn bản tin tức, mạng xã hội để dự báo Bitcoin và Ethereum.
• Nghiên cứu so sánh các mô hình NLP học sâu với phân tích cảm xúc dựa trên từ điển.
• Phân loại zero-shot BART MNLI được dùng để phân loại văn bản thành lạc quan hoặc bi quan.
• Dùng các cực trị cục bộ làm mục tiêu dự báo nhằm giảm tần suất giao dịch và biến động danh mục.
• Các tác giả báo cáo cải thiện chỉ số dự báo và giao dịch, nhưng mô tả thiếu chi tiết kiểm định và phân tích chi phí.

Thẻ

# 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

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.