Deep Temporal Convolutional Networks for High-Frequency Cryptocurrency Price Forecasting
Notice bibliographique
Résumé
High-frequency cryptocurrency price prediction remains challenging due to extreme volatility, market noise, and complex temporal dependencies. Traditional machine learning methods, recurrent neural networks (RNNs), and attention-enhanced models have shown limited predictive accuracy and generalization on such data. To address these limitations, this study systematically evaluates Gated Recurrent Units (GRU), Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), and Temporal Convolutional Networks (TCNs) using multi-factor inputs. The dataset spans 2018–2024 and includes OHLC prices, trading volume, number of trades, short-term buying pressure, and technical indicators such as moving averages, EMA deviations, MACD, Bollinger Bands, and momentum. Models were trained using standard procedures and evaluated via RMSE, MAE, MAPE, and directional accuracy. Results demonstrate that TCNs consistently outperform RNN-based models in both predictive precision and directional reliability. Multi-factor analysis reveals that price information dominates predictive performance, while volume, trade counts, and buying pressure provide complementary signals. These findings indicate that TCNs, leveraging dilated causal convolutions and residual connections, can effectively capture long-range temporal dependencies in high-frequency financial data. The study highlights the practical benefits of combining TCNs with rich multi-factor representations for robust and reliable cryptocurrency price forecasting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».