LSTM based Algorithmic Trading model for Bitcoin
Notice bibliographique
Résumé
Cryptocurrencies have emerged as an alternative financial asset in the last decade, with their market growing exponentially in recent years. The price of cryptocurrencies is highly volatile and is prone to rapid swings within short periods of time. This behaviour makes them a high-risk and high-return financial asset. The efficacy of neural networks in forecasting the high frequency financial time series has become widely accepted in the research community. This work explored the use of Long Short Term Memory (LSTM), a neural network based non-linear sequence model, to propose a novel algorithmic trading strategy for cryptocurrencies. The proposed novel high frequency algorithmic trading strategy built over an LSTM based short-term price forecasting is used for Bitcoin and Ethereum. This simple, yet effective trading algorithm uses the network's price forecasts to make buy and short selling decisions for cryptocurrency based on certain set criteria. The proposed trading strategy gives positive returns when backtested on Bitcoin hourly prices taken from yahoo! finance. We also verified the effectiveness of the trading strategy for Ethereum, the second largest cryptocurrency, based on the positive backtesting returns. As an extension to the study, the proposed strategy is applied on an even higher frequency (minute by minute) Bitcoin price data, and the strategy gives positive backtesting returns in this extended study. We also provide fuzzy intervals for the algorithmic return of our strategy and compare those with corresponding intervals on a simple buy and hold strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».