LSTM dự báo biến động giá tiền mã hóa ngắn hạn từ dữ liệu giao dịch

Tóm tắt

Bài viết mô tả mô hình Bộ nhớ dài-ngắn hạn dự đoán hướng giá tiền mã hóa trong một khung thời gian ngắn cố định, sử dụng dữ liệu từng giao dịch từ một giai đoạn nhìn lại. Quy trình gồm thiết kế đặc trưng và tìm kiếm siêu tham số, với quá trình huấn luyện dựa trên gần một năm quan sát giao dịch.

Các tác giả báo cáo độ chính xác ngoài mẫu cao hơn 60%, cho biết hiệu suất ổn định qua các giai đoạn kiểm định và mô tả một mô phỏng giao dịch trong đó các dự báo có thể được khai thác để tạo lợi nhuận. Họ cũng báo cáo rằng các tham số được huấn luyện trên một số công cụ vẫn duy trì hiệu suất trên các loại tiền mã hóa khác. Phần trích dẫn không xác định tài sản, khung dự báo, ngày tháng của mẫu, giả định mô phỏng hoặc hiệu suất sau phí và trượt giá. Do đó, các phát hiện được báo cáo không xác lập khả năng sinh lời trong giao dịch thực hoặc khả năng chuyển giao phổ quát giữa các thị trường tiền mã hóa.

Ý chính

• Khuôn khổ dùng mạng LSTM để dự báo hướng giá tiền mã hóa ngắn hạn từ dữ liệu từng giao dịch.
• Thiết kế đặc trưng và tìm kiếm siêu tham số là các phần cốt yếu của quy trình mô hình hóa.
• Bài viết báo cáo độ chính xác ngoài mẫu cao hơn 60% và một mô phỏng giao dịch với các dự báo có thể khai thác để tạo lợi nhuận.
• Bài viết báo cáo khả năng chuyển giao sang các công cụ tiền mã hóa khác, nhưng không nêu chi tiết chi phí và mô phỏng.

Thẻ

# 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.

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.