基于深度学习的加密货币价格分类中技术交易与社交媒体指标研究
统计金融
2021-02-18 v2 机器学习
应用统计
摘要
本工作旨在利用深度学习算法，分析 2017 年 1 月至 2021 年 1 月观测的每小时与每日数据下加密货币价格变动的可预测性。在实验中，我们使用了三类特征：技术指标、交易指标和社交媒体指标，并考虑仅含技术指标的受限模型以及包含技术、交易和社交媒体指标的非受限模型。我们验证了在经典技术变量（如收益率）之外引入交易与社交媒体指标，是否能显著改善加密货币价格变动的预测。研究针对当时成交量与市值最高的两种加密货币：比特币和以太坊展开。我们实现了时间序列分类问题中常用的四种机器学习算法：多层感知机（MLP）、卷积神经网络（CNN）、长短期记忆（LSTM）神经网络以及注意力长短期记忆（ALSTM）。实验采用先进的 bootstrap 技术以处理测试样本的方差问题，从而给出模型性能更可靠的估计。此外，使用网格搜索（Grid Search）技术为每个算法寻找最佳超参数值。研究表明，基于小时频度结果，非受限模型优于受限模型。在经典技术指标基础上加入交易指标提升了比特币与以太坊价格变动预测的准确率，准确率由受限模型的 51–55% 提升至非受限模型的 67–84%。
引用
@article{arxiv.2102.08189,
title = {On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning},
author = {Marco Ortu and Nicola Uras and Claudio Conversano and Giuseppe Destefanis and Silvia Bartolucci},
journal= {arXiv preprint arXiv:2102.08189},
year = {2021}
}