Development of recurrent neural networks for price forecasting at cryptocurrency exchanges
Uložené v:
| Názov: | Development of recurrent neural networks for price forecasting at cryptocurrency exchanges |
|---|---|
| Zdroj: | Eastern-European Journal of Enterprise Technologies; Vol. 5 No. 4 (125) (2023): Mathematics and Cybernetics-applied aspects; 43-54 Eastern-European Journal of Enterprise Technologies; Том 5 № 4 (125) (2023): Математика та кібернетика-прикладні аспекти; 43-54 |
| Informácie o vydavateľovi: | РС ТЕСHNOLOGY СЕNTЕR, 2023. |
| Rok vydania: | 2023 |
| Predmety: | machine learning, криптовалютні біржі, deep learning, машинне навчання, cryptocurrency exchanges, neural networks, price prediction, нейронні мережі, глибоке навчання, прогнозування цін |
| Popis: | The study focuses on improving the quality of using recurrent neural networks (RNNs) to predict cryptocurrency prices. The formula of the target variable for the model based on the arithmetic mean is developed, which allows us to better take into account the dynamics of cryptocurrency exchanges. The factors affecting this variable were grouped into features based on the volume of daily cryptocurrency trading, the volatility of the relevant prices, and the pre-calculated and selected signals of technical indicators. As part of the study, an algorithm for processing daily data was developed for the model. The results obtained made it possible to create a holistic model for forecasting stock prices. Two recurrent neural networks were trained: one with a long short-term memory (LSTM) and the other with a recurrent gate unit (GRU). To determine the efficiency of the models, the analysis was carried out using two key indicators: the Sortino coefficient, which measures the relative risk/reward for each additional unit of unwanted volatility, and the Sharpe ratio, which measures the return on assets, subtracting the free risk. As a result, it was found that both models have similar results in terms of accuracy (~69 %). Still, the GRU-based model showed significantly better values of the Sortino coefficients (3.13) and Sharpe’s coefficient (2.45), which allows us to conclude that it is effective on cryptocurrency exchanges. At the same time, the LSTM model requires more parameters for training than the GRU model with an identical structure, which leads to a longer training time. The obtained scientific and practical results are aimed at more efficient use of recurrent neural networks in price forecasting on cryptocurrency exchanges Проведено дослідження, в якому зосереджено увагу на покращенні якості використання рекурентних нейронних мереж (РНМ) при прогнозуванні цін на криптовалютних біржах. Розроблено формулу цільової змінної для моделі на основі арифметичного середнього, що дозволяє краще враховувати динаміку криптовалютних бірж. Фактори, що впливають на цю змінну, було об'єднано у групи ознак, які базуються на обсязі денних торгів криптовалютою, волатильності відповідних цін та на попередньо розрахованих та відібраних сигналах технічних індикаторів. В рамках дослідження сформовано алгоритм обробки щоденних даних для їх використання в моделі. Отримані результати дали змогу створити цілісну модель прогнозування біржових цін. Натреновано дві рекурентні нейронні мережі: одна з довгою короткочасною пам’яттю (ДКЧП), а інша з рекурентним блоком з вентильним перемикачем (ВРВ). З метою визначення ефективності моделей, проведено аналіз за допомогою двох ключових показників: коефіцієнта Сортіно, що вимірює відносний ризик/виграш для кожної додаткової одиниці небажаної волатильності, і коефіцієнта Шарпа, який вимірює дохід від активів, вираховуючи вільний ризик. В результаті виявлено, що обидві моделі мають схожі результати за рівнем точності (~69%), але модель на основі ВРВ показала значно кращі значення коефіцієнтів Сортіно (3.13) та Шарпа (2.45), що дозволяє зробити висновок про її ефективність на криптовалютних біржах. При цьому, ДКЧП модель потребує більшої кількості параметрів для навчання, ніж ВРВ при ідентичній структурі, що призводить до більших витрат часу на навчання. Отримані науково-практичні результати спрямовані на більш ефективне використання рекурентних нейронних мереж при прогнозуванні цін на криптовалютних біржах |
| Druh dokumentu: | Article |
| Popis súboru: | application/pdf |
| Jazyk: | English |
| ISSN: | 1729-3774 1729-4061 |
| Prístupová URL adresa: | https://journals.uran.ua/eejet/article/view/287094 |
| Rights: | CC BY |
| Prístupové číslo: | edsair.scientific.p..e8d59bef9741f7d55b4bd9b5e2241924 |
| Databáza: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | The study focuses on improving the quality of using recurrent neural networks (RNNs) to predict cryptocurrency prices. The formula of the target variable for the model based on the arithmetic mean is developed, which allows us to better take into account the dynamics of cryptocurrency exchanges. The factors affecting this variable were grouped into features based on the volume of daily cryptocurrency trading, the volatility of the relevant prices, and the pre-calculated and selected signals of technical indicators. As part of the study, an algorithm for processing daily data was developed for the model. The results obtained made it possible to create a holistic model for forecasting stock prices. Two recurrent neural networks were trained: one with a long short-term memory (LSTM) and the other with a recurrent gate unit (GRU). To determine the efficiency of the models, the analysis was carried out using two key indicators: the Sortino coefficient, which measures the relative risk/reward for each additional unit of unwanted volatility, and the Sharpe ratio, which measures the return on assets, subtracting the free risk. As a result, it was found that both models have similar results in terms of accuracy (~69 %). Still, the GRU-based model showed significantly better values of the Sortino coefficients (3.13) and Sharpe’s coefficient (2.45), which allows us to conclude that it is effective on cryptocurrency exchanges. At the same time, the LSTM model requires more parameters for training than the GRU model with an identical structure, which leads to a longer training time. The obtained scientific and practical results are aimed at more efficient use of recurrent neural networks in price forecasting on cryptocurrency exchanges<br />Проведено дослідження, в якому зосереджено увагу на покращенні якості використання рекурентних нейронних мереж (РНМ) при прогнозуванні цін на криптовалютних біржах. Розроблено формулу цільової змінної для моделі на основі арифметичного середнього, що дозволяє краще враховувати динаміку криптовалютних бірж. Фактори, що впливають на цю змінну, було об'єднано у групи ознак, які базуються на обсязі денних торгів криптовалютою, волатильності відповідних цін та на попередньо розрахованих та відібраних сигналах технічних індикаторів. В рамках дослідження сформовано алгоритм обробки щоденних даних для їх використання в моделі. Отримані результати дали змогу створити цілісну модель прогнозування біржових цін. Натреновано дві рекурентні нейронні мережі: одна з довгою короткочасною пам’яттю (ДКЧП), а інша з рекурентним блоком з вентильним перемикачем (ВРВ). З метою визначення ефективності моделей, проведено аналіз за допомогою двох ключових показників: коефіцієнта Сортіно, що вимірює відносний ризик/виграш для кожної додаткової одиниці небажаної волатильності, і коефіцієнта Шарпа, який вимірює дохід від активів, вираховуючи вільний ризик. В результаті виявлено, що обидві моделі мають схожі результати за рівнем точності (~69%), але модель на основі ВРВ показала значно кращі значення коефіцієнтів Сортіно (3.13) та Шарпа (2.45), що дозволяє зробити висновок про її ефективність на криптовалютних біржах. При цьому, ДКЧП модель потребує більшої кількості параметрів для навчання, ніж ВРВ при ідентичній структурі, що призводить до більших витрат часу на навчання. Отримані науково-практичні результати спрямовані на більш ефективне використання рекурентних нейронних мереж при прогнозуванні цін на криптовалютних біржах |
|---|---|
| ISSN: | 17293774 17294061 |