[論文レビュー] Combination of window-sliding and prediction range method based on LSTM model for predicting cryptocurrency

Yifan Yao, Lina Wang|arXiv (Cornell University)|Feb 9, 2021

Stock Market Forecasting Methods参考文献 13被引用数 4

ひとこと要約

本稿では、窓スライディング法と予測範囲法を組み合わせたハイブリッドLSTMモデルを提案し、暗号通貨価格のトレンド予測を改善することを目的としている。窓長さと予測範囲の組み合わせを最適化することで、ベースラインのランダムウォークモデルよりも優れた精度を達成し、ビットコインおよびイーサリアムのデータセットにおいて予測性能が向上していることが示された。

ABSTRACT

The present study aims to establish the model of the cryptocurrency price trend based on financial theory using the LSTM model with multiple combinations between the window length and the predicting horizons, the random walk model is also applied with different parameter settings.

研究の動機と目的

• 深層学習を用いて暗号通貨価格のトレンド予測精度を向上させること。
• 窓長さと予測範囲を変化させた場合のLSTMモデルのパフォーマンスへの影響を調査すること。
• 異なるパrameter設定下で、提案されたハイブリッドモデルとランダムウォークモデルを比較すること。
• 最大の予測精度を得るための窓サイズと予測範囲の最適な組み合わせを特定すること。

提案手法

• モデルは、歴史的暗号通貨価格データから順序特徴を抽出するためにスライディングウィンドウ手法を採用している。
• モデルの頑健性と精度を評価するために、窓長さと予測範囲の複数の組み合わせがテストされた。
• 長期短期記憶（LSTM）ネットワークを用いて時系列データ内の時間的依存性を学習している。
• 予測範囲法により、予測範囲を動的に調整することで長期的トレンド推定を向上させている。
• パrameterを変化させたランダムウォークモデルをベースラインとして用いて、比較評価が実施された。
• ビットコインおよびイーサリアムの価格データを用いて、標準的な回帰指標を用いてモデルのパフォーマンスを評価した。

実験結果

リサーチクエスチョン

• RQ1 窓スライディング法と予測範囲法の組み合わせが、LSTMベースの暗号通貨価格予測精度にどのように影響を与えるか？
• RQ2 最適な窓長さと予測範囲の組み合わせは何か？ それが最も優れた予測性能をもたらすか？
• RQ3 異なるパrameter設定下で、提案モデルはランダムウォークモデルと比較してどのように異なるか？
• RQ4 ハイブリッドアプローチは、変動が激しい暗号通貨市場における長期的トレンド予測を改善できるか？

主な発見

• 提案されたハイブリッドモデルは、ビットコインおよびイーサリアムの両データセットにおいて、ランダムウォークモデルを著しく上回る予測精度を達成した。
• 窓長さ60および予測範囲5の組み合わせで最良のパフォーマンスが得られ、平均絶対誤差（MAE）および平均二乗誤差（RMSE）が最小となった。
• 決定係数（R-squared）の値が一貫して向上し、実際の価格トレンドへの適合性が向上していることが示された。
• 窓スライディング法と予測範囲技術の組み合わせにより、モデルの長期的市場トレンドの捉え込み能力が向上した。
• 感度分析の結果、性能は窓長さおよび予測範囲の選定に強く依存することが判明した。