論文の概要: Forecasting Cryptocurrency Prices Using Deep Learning: Integrating
Financial, Blockchain, and Text Data
- arxiv url: http://arxiv.org/abs/2311.14759v1
- Date: Thu, 23 Nov 2023 16:14:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 09:35:18.084369
- Title: Forecasting Cryptocurrency Prices Using Deep Learning: Integrating
Financial, Blockchain, and Text Data
- Title(参考訳): ディープラーニングによる暗号通貨価格予測 - 金融、ブロックチェーン、テキストデータの統合
- Authors: Vincent Gurgul, Stefan Lessmann, Wolfgang Karl H\"ardle
- Abstract要約: 我々は、先進的なディープラーニングNLP手法を用いて、公開感情が暗号通貨評価に与える影響を分析する。
我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。
我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが,市場感情を捉える上で極めて有効であることを発見した。
- 参考スコア(独自算出の注目度): 3.8443430569753025
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper explores the application of Machine Learning (ML) and Natural
Language Processing (NLP) techniques in cryptocurrency price forecasting,
specifically Bitcoin (BTC) and Ethereum (ETH). Focusing on news and social
media data, primarily from Twitter and Reddit, we analyse the influence of
public sentiment on cryptocurrency valuations using advanced deep learning NLP
methods. Alongside conventional price regression, we treat cryptocurrency price
forecasting as a classification problem. This includes both the prediction of
price movements (up or down) and the identification of local extrema. We
compare the performance of various ML models, both with and without NLP data
integration. Our findings reveal that incorporating NLP data significantly
enhances the forecasting performance of our models. We discover that
pre-trained models, such as Twitter-RoBERTa and BART MNLI, are highly effective
in capturing market sentiment, and that fine-tuning Large Language Models
(LLMs) also yields substantial forecasting improvements. Notably, the BART MNLI
zero-shot classification model shows considerable proficiency in extracting
bullish and bearish signals from textual data. All of our models consistently
generate profit across different validation scenarios, with no observed decline
in profits or reduction in the impact of NLP data over time. The study
highlights the potential of text analysis in improving financial forecasts and
demonstrates the effectiveness of various NLP techniques in capturing nuanced
market sentiment.
- Abstract(参考訳): 本稿では,暗号通貨の価格予測,特にBitcoin(BTC)とEthereum(ETH)における機械学習(ML)と自然言語処理(NLP)の応用について検討する。
主にtwitterとredditのニュースやソーシャルメディアのデータに焦点を当て,高度なディープラーニングnlp手法を用いて,公開感情が暗号通貨評価に与える影響を分析した。
従来の価格回帰に加えて、暗号通貨の価格予測を分類問題として扱う。
これには価格変動の予測(上昇または下降)と局所極端の識別の両方が含まれる。
我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。
その結果,NLPデータの導入により予測性能が大幅に向上することが判明した。
我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが市場感情を捉える上で非常に有効であること,そして細調整されたLarge Language Models (LLMs) が大幅な予測改善をもたらすことを発見した。
特に、BART MNLIゼロショット分類モデルでは、テキストデータからブルリッシュ信号やベアリッシュ信号を抽出する能力がかなり高い。
当社のモデルはすべて、さまざまな検証シナリオで一貫して利益を生成しますが、利益の減少やNLPデータの影響の減少は観測できません。
本研究は,金融予測の改善におけるテキスト分析の可能性を浮き彫りにし,ニュアンス市場の感情を捉えたnlp手法の有効性を実証する。
関連論文リスト
- Natural Language Processing and Multimodal Stock Price Prediction [0.8702432681310401]
本稿では,従来の生通貨価値の活用とは対照的に,株価変動をトレーニングデータとして活用する。
パーセンテージの変化の選択は、価格変動の重要性に関する文脈をモデルに提供することを目的としている。
この研究は、株価トレンドを予測するために、特別なBERT自然言語処理モデルを用いている。
論文 参考訳(メタデータ) (2024-01-03T01:21:30Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Forecasting Bitcoin volatility spikes from whale transactions and
CryptoQuant data using Synthesizer Transformer models [5.88864611435337]
ボラティリティ予測のためのディープラーニング合成器変換器モデルを提案する。
以上の結果から,既存の最先端モデルよりも優れたモデルであることが示唆された。
提案手法はビットコイン市場における極端なボラティリティ(変動性)の動きを予測するための有用なツールであることを示す。
論文 参考訳(メタデータ) (2022-10-06T05:44:29Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Deep learning based Chinese text sentiment mining and stock market
correlation research [6.000327333763521]
我々は、ストックバーなどの金融フォーラムデータをクロールして、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。
本稿では、BERTモデルを用いて、財務コーパスに対するトレーニングを行い、SZSE成分指数を予測する。
得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つだろう。
論文 参考訳(メタデータ) (2022-05-10T08:35:33Z) - Forecasting Cryptocurrency Returns from Sentiment Signals: An Analysis
of BERT Classifiers and Weak Supervision [6.624726878647541]
我々は、テキストデータがラベル付けされていない問題に対処するための、最近提案されたNLPアプローチである弱い学習を導入する。
弱いラベルを用いた微調整は、テキストベースの特徴の予測値を高め、暗号通貨のリターンを予測する文脈で予測精度を高めることを確認した。
より根本的には、我々が提示するモデリングパラダイム、弱いラベル付けドメイン固有テキスト、微調整済みNLPモデルは、(金融)予測において普遍的に適用可能である。
論文 参考訳(メタデータ) (2022-04-06T07:45:05Z) - On Technical Trading and Social Media Indicators in Cryptocurrencies'
Price Classification Through Deep Learning [7.7172142175424066]
本研究は、2017年1月から2021年1月までの1時間/日のデータを用いて、暗号通貨の価格変動の予測可能性を分析することを目的とする。
実験では,技術指標のみの制限モデルと,技術指標,トレーディング指標,ソーシャルメディア指標の非制限モデルを考慮して,技術指標,トレーディング指標,ソーシャルメディア指標の3つの機能を用いた。
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。
論文 参考訳(メタデータ) (2021-02-13T13:18:36Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z) - InfoBERT: Improving Robustness of Language Models from An Information
Theoretic Perspective [84.78604733927887]
BERTのような大規模言語モデルは、幅広いNLPタスクで最先端のパフォーマンスを実現している。
近年の研究では、このようなBERTベースのモデルが、テキストの敵対的攻撃の脅威に直面していることが示されている。
本稿では,事前学習した言語モデルの堅牢な微調整のための新しい学習フレームワークであるInfoBERTを提案する。
論文 参考訳(メタデータ) (2020-10-05T20:49:26Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳(メタデータ) (2020-02-09T08:10:03Z)
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。