Developing Cryptocurrency Trading Strategy Based on Autoencoder-CNN-GANs Algorithms

要約

このペーパーでは、機械学習アルゴリズムを活用して財務時系列を予測および分析します。
このプロセスは、主契約価格データからランダムなノイズ変動を除去するノイズ除去オートエンコーダーから始まります。
次に、1 次元の畳み込みによってフィルタリングされたデータの次元が削減され、重要な情報が抽出されます。
フィルタリングされ、次元が削減された価格データは GAN ネットワークに供給され、その出力は完全に接続されたネットワークの入力として機能します。
相互検証を通じて、モデルは大きな価格変動に先立つ特徴を捕捉するようにトレーニングされます。
このモデルは、リアルタイムの価格シーケンスにおける大幅な価格変動の可能性と方向を予測し、予測精度が高い瞬間に取引を配置します。
実証結果は、金融データのフィルタリングとノイズ除去にオートエンコーダと畳み込みを使用し、GAN と組み合わせることで、一定レベルの予測パフォーマンスを達成し、金融シーケンスの根底にあるパターンを発見する機械学習アルゴリズムの機能を検証することを示しています。
キーワード – CNN;GAN;
暗号通貨;
予測。

要約(オリジナル)

This paper leverages machine learning algorithms to forecast and analyze financial time series. The process begins with a denoising autoencoder to filter out random noise fluctuations from the main contract price data. Then, one-dimensional convolution reduces the dimensionality of the filtered data and extracts key information. The filtered and dimensionality-reduced price data is fed into a GANs network, and its output serve as input of a fully connected network. Through cross-validation, a model is trained to capture features that precede large price fluctuations. The model predicts the likelihood and direction of significant price changes in real-time price sequences, placing trades at moments of high prediction accuracy. Empirical results demonstrate that using autoencoders and convolution to filter and denoise financial data, combined with GANs, achieves a certain level of predictive performance, validating the capabilities of machine learning algorithms to discover underlying patterns in financial sequences. Keywords – CNN;GANs; Cryptocurrency; Prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google