Investigation of Blockchain Cryptocurrencies’ Price Movements Through Deep Learning: A Comparative Analysis

Uras, Nicola

doi:10.1109/saner50967.2021.00091

Cited by 7 publications

(6 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Uras and Ortu used SVM, XGBoost, CNN, and LSTM to predict the price of bitcoin. From this research, the XGBoost model is very good in the prediction results of bitcoin [6]. Fan et al showed that the Monte Carlo method is the simplest way to compute risk measures [7].…”

Section: Introductionmentioning

confidence: 67%

A Portfolio Strategy Based on XGBoost Regression and Monte Carlo Method

Wang¹

2022

Advances in Economics, Business and Management Research

View full text Add to dashboard Cite

In this research, XGBoost algorithm was used to choose stocks. The stock data was downloaded from Yahoo Finance. The volumes, the differences of open price and close price, the differences of high price and low price, the adjusted close prices of the previous three days were considered as factors. Based on XGBoost, the data were segmented and trained to obtain the importance of each factor for each stock. The price of the previous three days is the most important factor for most stocks. In addition, RMSE and MAPE were calculated. After selecting the stocks with the minimum MAPE, the mean variance portfolio optimization model and the Monte Carlo method were used to find a range of portfolio weights of each stock in the stock pool. The return was calculated under the condition of reducing the risk. When the weights of the stock portfolio with the maximum Sharpe ratio are applied to the next year, the portfolio will achieve higher returns. Therefore, the model can be considered as a suitable tool to help investors implement better portfolio strategies.

show abstract

Section: Introductionmentioning

confidence: 67%

A Portfolio Strategy Based on XGBoost Regression and Monte Carlo Method

Wang¹

2022

Advances in Economics, Business and Management Research

View full text Add to dashboard Cite

show abstract

“…A key contribution of this study is the implementation of fine-tuned, deep learning algorithms with higher classification performances compared to previous studies (Bartolucci et al (2020); Uras & Ortu (2021)). A second important aspect is the construction of a model that includes a unique mix of social media features, obtained using state-of-the-art techniques for textual analysis and natural language processing, and trading indicators.…”

Section: Introductionmentioning

confidence: 96%

On technical trading and social media indicators for cryptocurrency price classification through deep learning

Uras

Conversano

Bartolucci

et al. 2022

Expert Systems with Applications

View full text Add to dashboard Cite

“…[533] optimizan los parámetros y variables de entrada de una red neuronal artificial reparadora (RANN) generando una precisión de clasificación de hasta el 98.37% en los índices bursátiles Nifty50, Nifty Bank, Nifty Pharma, BSE IT y BSE Oil and Gas. [330], utilizando la técnica de búsqueda en cuadrícula "Grid Search", definieron los mejores valores de los hiperparámetros de una máquina de vectores de soporte (SVM), XGBoost (XGB), una red neuronal convolucional (CNN) y una red neuronal de memoria a largo plazo (LSTM) para predecir la dirección del bitcoin. [332] aplicaron una técnica de validación cruzada k-fold basada en la búsqueda en cuadrícula para encontrar los parámetros de mejor ajuste del modelo LSTM y predecir la dirección de las criptomonedas.…”

Section: Definición De Hiperparámetrosunclassified

“…Estos movimientos direccionales se han clasificado tradicionalmente en dos escenarios, tendencia alcista y tendencia bajista [487]. Aunque algunos estudios también han incluido y explorado los movimientos laterales como parte de un problema de clasificación multiclase [330,329,337,340,345]. Las métricas utilizadas, en la medición del desempeño de los modelos de clasificación, se calculan con los valores de la matriz confusión [538].…”

Section: Evaluación De Desempeño Del Modelounclassified

“…Otros estudios han recurrido al uso de métricas más especializadas, como las mencionadas en la Tabla 3.3, para resaltar la magnitud de los resultados obtenidos. Entre ellas cabe citar las siguientes: Proporción de aciertos HR [334,343], Retorno medio por periodo Rm/d [333], Ratio de Sharpe SR [539,333], Desviación estándar de los retornos SD [330,333], Pagos acumulativos por inversión media diaria CP/d [333], Tasa de error ER [342], Retorno sobre la inversión ROI [328,329], Reducción de fondos Drawdown [329], Precisión direccional DA [315] y Perdida Hamming HL [327].…”

Section: Evaluación De Desempeño Del Modelounclassified

See 1 more Smart Citation

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

Predecir los precios y las tendencias de los instrumentos financieros para mejorar la efectividad de las decisiones de inversión es un reto clave para la industria financiera y los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia artificial en el análisis de las series de tiempo, el problema de predecir la dirección del movimiento de los tipos de cambio en el mercado Forex aún requiere soluciones parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta investigación presenta una metodología novedosa para clasificar la dirección de la tendencia de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de mercado que miden la acción de los precios, junto con las diferencias multidimensionales entre tendencias, para construir una función lineal discriminante (LDA).La metodología propuesta consta de cinco fases: preparación de datos, selección de características, detección de estructuras subyacentes, formulación de una función discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El período de muestra va desde enero de 1999 hasta abril de 2023.En contraste con algunos trabajos notables publicados en la literatura científica como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL), el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos resultados respaldan la construcción de métodos de clasificación interpretables, generalizables, precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento financiero y la reducción del riesgo en las estrategias de negociación. Además, esta metodología es aplicable en la selección de variables y se adapta fácilmente a otros activos financieros.

show abstract

Investigation of Blockchain Cryptocurrencies’ Price Movements Through Deep Learning: A Comparative Analysis

Cited by 7 publications

References 27 publications

A Portfolio Strategy Based on XGBoost Regression and Monte Carlo Method

A Portfolio Strategy Based on XGBoost Regression and Monte Carlo Method

On technical trading and social media indicators for cryptocurrency price classification through deep learning

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Contact Info

Product

Resources

About