Multi-Source Hard and Soft Information Fusion Approach for Accurate Cryptocurrency Price Movement Prediction

要約

金融および暗号通貨の分野における最も重要な課題の 1 つは、暗号通貨の価格傾向を正確に予測することです。
この課題に対処するには、人工知能 (AI) を活用することが有益です。
大幅な成長とボラティリティを特徴とする仮想通貨市場には、仮想通貨の価格変動の解読と予測に熱心な投資家や学者が集まります。
このような予測に利用できる膨大で多様なデータは、タスクの複雑さを増大させます。
私たちの研究では、仮想通貨の価格変動予測の精度を高めるために、ハード＆ソフト情報融合（HSIF）と呼ばれる新しいアプローチを導入しています。
私たちのアプローチのハード情報コンポーネントには、テクニカル指標と並んで過去の価格記録が含まれます。
これを補完するために、ソフト データ コンポーネントは X (旧 Twitter) から抽出し、仮想通貨に関するニュースの見出しやツイートを含みます。
このデータを使用するには、最良のパフォーマンスを発揮する Bidirectional Encoder Representations from Transformers (BERT) ベースのセンチメント分析手法である Financial BERT (FinBERT) を使用します。
最後に、私たちのモデルは、処理されたハード データとソフト データを含む情報セットをフィードします。
順方向と逆方向の両方で情報を処理すると、逐次情報の長期依存関係を捉えることができるため、双方向長期短期記憶 (BiLSTM) モデルを採用します。
私たちの経験的調査結果は、ビットコイン関連データでテストすることにより、単一ソース データに依存するモデルよりも HSIF アプローチの優位性を強調しています。
ビットコイン データセットのハード情報とソフト情報を融合することにより、私たちのモデルは価格変動を約 96.8% の精度で予測します。
情報を組み込むことで、モデルは価格変動に対する社会センチメントの影響を把握できるようになり、ハード情報から得られるテクニカル分析に基づく予測を補完します。

要約(オリジナル)

One of the most important challenges in the financial and cryptocurrency field is accurately predicting cryptocurrency price trends. Leveraging artificial intelligence (AI) is beneficial in addressing this challenge. Cryptocurrency markets, marked by substantial growth and volatility, attract investors and scholars keen on deciphering and forecasting cryptocurrency price movements. The vast and diverse array of data available for such predictions increases the complexity of the task. In our study, we introduce a novel approach termed hard and soft information fusion (HSIF) to enhance the accuracy of cryptocurrency price movement forecasts. The hard information component of our approach encompasses historical price records alongside technical indicators. Complementing this, the soft data component extracts from X (formerly Twitter), encompassing news headlines and tweets about the cryptocurrency. To use this data, we use the Bidirectional Encoder Representations from Transformers (BERT)-based sentiment analysis method, financial BERT (FinBERT), which performs best. Finally, our model feeds on the information set including processed hard and soft data. We employ the bidirectional long short-term memory (BiLSTM) model because processing information in both forward and backward directions can capture long-term dependencies in sequential information. Our empirical findings emphasize the superiority of the HSIF approach over models dependent on single-source data by testing on Bitcoin-related data. By fusing hard and soft information on Bitcoin dataset, our model has about 96.8\% accuracy in predicting price movement. Incorporating information enables our model to grasp the influence of social sentiment on price fluctuations, thereby supplementing the technical analysis-based predictions derived from hard information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google