論文の概要: On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning

• arxiv url: http://arxiv.org/abs/2102.08189v1
• Date: Sat, 13 Feb 2021 13:18:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 07:53:29.891933
• Title: On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning
• Title（参考訳）: 深層学習による暗号通貨価格分類における技術取引とソーシャルメディア指標について
• Authors: Marco Ortu, Nicola Uras, Claudio Conversano, Giuseppe Destefanis, Silvia Bartolucci
• Abstract要約: 本研究は、2017年1月から2021年1月までの時間別および日次データにおける暗号通貨の価格変動の予測可能性について、ディープラーニングアルゴリズムを用いて分析することを目的とする。 実験では,技術指標,取引指標,ソーシャルメディア指標の3つの特徴を用いて,技術指標のみのテキスト制限モデル,技術指標,取引指標,ソーシャルメディア指標のテキスト制限モデルを検討した。
• 参考スコア（独自算出の注目度）: 7.7172142175424066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a \textit{restricted model} of only technical indicators and an \textit{unrestricted model} with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: \textit{Multi Layers Perceptron (MLP)}, \textit{Convolutional Neural Network (CNN)}, \textit{Long Short Term Memory (LSTM) neural network} and \textit{Attention Long Short Term Memory (ALSTM)}. We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the \textit{Grid Search} technique was used to find the best \textit{hyperparameters} values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55\% for the restricted model, to 67-84\% for the unrestricted model.
• Abstract（参考訳）: 深層学習アルゴリズムを用いて、2017年1月から2021年1月までの時間別および日次データの暗号通貨価格変動の予測可能性を分析することを目的としている。 実験では,技術指標,取引指標,ソーシャルメディア指標の3つの特徴を用いて,技術指標のみの \textit{restricted model} と技術指標,取引指標,ソーシャルメディア指標の \textit{unrestricted model} を検討した。 取引・ソーシャルメディア指標の考慮が、古典的な技術的変数(価格のリターンなど)とともに、暗号通貨価格の変化の予測に顕著な改善をもたらすかどうかを検証した。 我々は、bitcoinとethereumの2つの暗号通貨の量と価値(この研究の時点で)について調査を行った。 時系列分類問題で使用される4つの異なる機械学習アルゴリズムを実装した: \textit{Multi Layers Perceptron (MLP)}、 \textit{Convolutional Neural Network (CNN)}、 \textit{Long Short Term Memory (LSTM) ニューラルネットワーク}、および \textit{Attention Long Short Term Memory (ALSTM)}。 テスト試料の分散問題を検討するために, 高度なブートストラップ法を用いて実験を考案し, より信頼性の高いモデルの性能評価を可能にした。 さらに、実装アルゴリズムごとに最高の \textit{hyperparameters} 値を見つけるために \textit{grid search} テクニックが使われた。 この研究は、時間ごとの結果に基づいて、制限のないモデルが制限されたモデルを上回ることを示している。 古典的な技術指標への取引指標の追加は、制限モデルのための51-55\%の範囲から制限なしモデルのための67-84\%への精度の増加とともに、ビットコインとイーサリアム価格の変更予測の精度を向上させます。

関連論文リスト

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• A Comprehensive Analysis of Machine Learning Models for Algorithmic Trading of Bitcoin [0.3069335774032178]
  本研究は,アルゴリズム取引におけるビットコイン価格の予測において,21の分類器と20の回帰器を含む41の機械学習モデルの性能を評価する。 我々の包括的な分析は、各モデルの強みと限界を明らかにし、効果的な取引戦略を開発する上で重要な洞察を与えます。
  論文  参考訳（メタデータ） (2024-07-09T13:07:43Z)
• Review of deep learning models for crypto price prediction: implementation and evaluation [5.240745112593501]
  本稿では、暗号通貨価格予測のためのディープラーニングに関する文献をレビューし、暗号通貨価格予測のための新しいディープラーニングモデルを評価する。 我々のディープラーニングモデルには、長い短期記憶(LSTM)リカレントニューラルネットワークの変種、畳み込みニューラルネットワーク(CNN)の変種、トランスフォーマーモデルが含まれています。 また、新型コロナウイルスのパンデミックを通じて価格の大幅な変動を示す4つの暗号通貨のボラティリティ分析を実施している。
  論文  参考訳（メタデータ） (2024-05-19T03:15:27Z)
• Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data [3.6390165502400875]
  本稿では,機械学習(ML)と自然言語処理(NLP)技術を活用した暗号通貨価格予測の新しい手法を提案する。 ニュースやソーシャルメディアのコンテンツを分析することで、仮想通貨市場に対する大衆の感情の影響を評価する。
  論文  参考訳（メタデータ） (2023-11-23T16:14:44Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)
• Real-Time Prediction of BITCOIN Price using Machine Learning Techniques and Public Sentiment Analysis [0.0]
  本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。 TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。 我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
  論文  参考訳（メタデータ） (2020-06-18T15:40:11Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。