Применение глубокого обучения для прогнозирования цен на криптовалюты и их взаимосвязь с адекватностью рынка (прикладное исследование на примере биткоина)

Прогнозирование курсов валют важно для всех, кто занимается трейдингом и пытается построить инвестиционный портфель из ряда криптовалют. На них не распространяются те же ограничения, что и на фиатные валюты. Цель исследования — спрогнозировать курс BITCOIN по отношению к доллару США. Краткосрочные данные (365 наблюдений) обработаны с помощью модели LSTM как одной из нейросетевых моделей. Моделирование проведено путем обучения выборки объемом 67% с учетом резких колебаний цены торгов и определенного уровня эффективности рынка. Модель GARCH использована для выбора подходящих исторических периодов для определения того, как работает модель LSTM, и для проверки эффективности на слабом, полусильном и сильном уровнях. Обработаны ряды данных, полученных с веб-сайта (Investing.com). Авторы обнаружили, что производительность нейронной сети улучшается по мере увеличения значения EPOCH при периоде обучения (исследования) в 50 дней, что согласуется с результатами проверки мастерства на слабом уровне. Это согласуется с результатами теста на достаточность на слабом уровне, что свидетельствует о том, что в исследуемом случае рынок биткоина эффективен на слабом уровне. Сделан вывод, что криптовалютным инвесторам лучше больше полагаться на исторический тренд цены валюты, чем на ее текущую цену, используя преимущества модели искусственной нейронной сети (LSTM) при работе с небольшими данными высокой волатильности.

1. Brownlee J. Long short-term memory networks with Python: Develop sequence prediction models with deep learning. San Juan, PR: Machine Learning Mastery; 2017. 246 p. URL: https://books.google.iq/books?hl=ar&lr=&id=m7SoDwAAQBAJ&oi=fnd&pg=PP1&dq=%5B1%5D%09Brownlee,+J.+(2017).+Long+short-term+memory+networks+with+python:+develop+sequence+prediction+models+with+deep+learning.+Machine+Learning+Mastery.+%E 2%80%8Fp.83&ots=vQIv6QdaIw&sig=Upu9DQ25Lq8TPf6x4xZi_-mTfKg&redir_esc=y#v=onepage&q&f=false

2. Galeshchuk S., Mukherjee S. Deep networks for predicting direction of change in foreign exchange rates. Intelligent Systems in Accounting, Finance and Management. 2017;24(4):100–110. DOI: 10.1002/isaf.1404

3. Ionela C., Alina B. I. Eur/ron exchange rate prediction based on box-jenkins technique. SWS Journal of Social Sciences and Art. 2019;1(2):31–41. DOI: 10.35603/ssa2019/issue2.03

4. Derbentsev V., Datsenko N., Stepanenko O., Bezkorovainyi V. Forecasting cryptocurrency prices time series using machine learning approach. SHS Web of Conferences. 2019;65:02001. DOI: 10.1051/shsconf/20196502001

5. Lu W., Li J., Li Y., Sun A., Wang J. A CNN-LSTM-based model to forecast stock prices. Complexity. 2020;2020:6622927. DOI: 10.1155/2020/6622927

6. Xue F., Sun A., Zhang H., Chng E. S. An embarrassingly simple model for dialogue relation extraction. 2020. URL: https://www.researchgate.net/publication/347966196_An_Embarrassingly_Simple_Model_for_Dialogue_Relation_Extraction

7. Chaudhari A. Forecasting cryptocurrency prices using machine learning. Dublin: School of Computing, National College of Ireland; 2020. 22 p. URL: http://norma.ncirl.ie/4272/1/ashwinichaudhari.pdf

8. Maleki N., Nikoubin A., Rabbani M., Zeinali Y. Bitcoin price prediction based on other cryptocurrencies using machine learning and time series analysis. Scientia Iranica. 2020. DOI: 10.24200/SCI.2020.55034.4040

9. Derbentsev V., Babenko V., Khrustalev K., Obruch H., Khrustalova S. Comparative performance of machine learning ensemble algorithms for forecasting cryptocurrency prices. International Journal of Engineering. 2021;34(1):140–148. DOI: 10.5829/IJE.2021.34.01A.16

10. Hochreiter J. S., Schmidhuber J. Long short-term memory. Neural Computation. 1997;9(8):1735–1780. DOI: 10.1162/neco.1997.9.8.1735

11. Yu Y., Si X., Hu C., Zhang J. A review of recurrent neural networks: LSTM cells and network architectures. Neural Computation. 2019;31(7):1235–1270. DOI: 10.1162/neco_a_01199

12. Cho K., Van Merriënboer B., Gulcehre C., Bahdanau D., Bougares F., Schwenk H., Bengio Y. Learning phrase representations using RNN encoder-decoder for statistical machine translation. In: Proc. 2014 conf. on empirical methods in natural language processing (EMNLP). Stroudsburg, PA: Association for Computational Linguistics; 2014:1724–1734.

13. Greff K., Srivastava R. K., Koutník J., Steunebrink B. R., Schmidhuber J. LSTM: A search space odyssey. IEEE Transactions on Neural Networks and Learning Systems. 2017;28(10):2222–2232. DOI: 10.1109/TNNLS.2016.2582924

14. Jozefowicz R., Zaremba W., Sutskever I. An empirical exploration of recurrent network architectures. In: Proc. 32nd Int. conf. on machine learning (ICML’15). 2015. (Proceedings of Machine Learning Research. Vol. 37). URL: http://proceedings.mlr.press/v37/jozefowicz15.pdf

15. Gers F. A., Schmidhuber J. Recurrent nets that time and count. In: Proc. IEEE-INNS-ENNS Int. joint conf. on neural networks (IJCNN 2000). Neural computing: New challenges and perspectives for the new millennium. Piscataway, NJ: IEEE; 2000:189–194. DOI: 10.1109/IJCNN.2000.861302

16. Van Houdt G., Mosquera C., Nápoles G. A review on the long short-term memory model. Artificial Intelligence Review. 2000;53(8):5929–5955. DOI: 10.1007/s10462–020–09838–1

17. Shen Z., Wan Q., Leatham D. J. Bitcoin return volatility forecasting: A comparative study between GARCH and RNN. Journal of Risk and Financial Management. 2021;14(7):337. DOI: 10.3390/jrfm14070337