跳至正文
返回文库全部文档

多时间框架神经网络与高频加密货币信号交易

文章 arXiv papers · 作者: Wěi Zhāng
阅读原文

总结

本文介绍一种加密货币交易系统，将多个时间框架的趋势信息与预测短期价格方向的神经网络结合起来。系统把市场价格、链上指标和订单簿活动整合为买卖压力信号，以支持快速交易决策。所提方法使用统计建模连接不同时间跨度的信号，并指导高频执行。

本文声称该系统实现了正的风险调整后收益，并能以统计置信度在不到一秒内作出决策。然而，所提供的描述没有数据时期、资产清单、基准、详细表现指标或验证流程。因此，它概述了建模方法及其预期优势，但没有提供足够证据来评估结果的稳健程度，也无法判断其是否考虑了交易成本和市场条件变化。

核心观点

  • 该系统结合多时间框架趋势分析与用于短期方向预测的神经网络。
  • 系统将市场数据、链上指标和订单簿动态整合为交易压力信号。
  • 该方法旨在支持加密货币市场中的亚秒级决策。
  • 描述声称风险调整后收益为正，但未提供独立评估这一说法所需的细节。

标签

加密资产机器学习高频交易链上数据市场微观结构
全文
# 2508.02356


# Neural Network-Based Algorithmic Trading Systems: Multi-Timeframe Analysis and High-Frequency Execution in Cryptocurrency Markets









This paper explores neural network-based approaches for algorithmic trading in cryptocurrency markets. Our approach combines multi-timeframe trend analysis with high-frequency direction prediction networks, achieving positive risk-adjusted returns through statistical modeling and systematic market exploitation. The system integrates diverse data sources including market data, on-chain metrics, and orderbook dynamics, translating these into unified buy/sell pressure signals. We demonstrate how machine learning models can effectively capture cross-timeframe relationships, enabling sub-second trading decisions with statistical confidence.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。