[論文レビュー] Review of deep learning models for crypto price prediction: implementation and evaluation

Jingyang Wu, Xinyi Zhang+3 more|arXiv (Cornell University)|May 19, 2024

Currency Recognition and Detection被引用数 10

ひとこと要約

本論文は暗号資産価格予測の深層学習モデルをレビューし、LSTM、CNN、Transformer のバリアントを評価して、multivariate inputs を備えた畳み込みLSTM が主要なシナリオで最も正確であることを示している。

ABSTRACT

There has been much interest in accurate cryptocurrency price forecast models by investors and researchers. Deep Learning models are prominent machine learning techniques that have transformed various fields and have shown potential for finance and economics. Although various deep learning models have been explored for cryptocurrency price forecasting, it is not clear which models are suitable due to high market volatility. In this study, we review the literature about deep learning for cryptocurrency price forecasting and evaluate novel deep learning models for cryptocurrency stock price prediction. Our deep learning models include variants of long short-term memory (LSTM) recurrent neural networks, variants of convolutional neural networks (CNNs), and the Transformer model. We evaluate univariate and multivariate approaches for multi-step ahead predicting of cryptocurrencies close-price. We also carry out volatility analysis on the four cryptocurrencies which reveals significant fluctuations in their prices throughout the COVID-19 pandemic. Additionally, we investigate the prediction accuracy of two scenarios identified by different training sets for the models. First, we use the pre-COVID-19 datasets to model cryptocurrency close-price forecasting during the early period of COVID-19. Secondly, we utilise data from the COVID-19 period to predict prices for 2023 to 2024. Our results show that the convolutional LSTM with a multivariate approach provides the best prediction accuracy in two major experimental settings. Our results also indicate that the multivariate deep learning models exhibit better performance in forecasting four different cryptocurrencies when compared to the univariate models.

研究の動機と目的

• 暗号資産価格予測の深層学習に関する文献の調査。
• 単変量および多変量の深層学習モデルを用いた終値のマルチステップ予測を評価する。
• トレーニングデータの regime（COVID前とCOVID期間）の影響が予測精度に与える影響を分析する。
• COVID-19期間中の主要な暗号資産のボラティリティ指標を評価し、それらが予測に与える影響を検討する。

提案手法

• 暗号価格予測に用いられる既存の深層学習手法をレビューする（LSTM のバリアント、CNN のバリアント、Transformer）。
• 暗号資産の終値のマルチステップ ahead 予測のための単変量および多変量モデルを実装・評価する。
• COVID-19期間中の価格変動を特徴づけるためにボラティリティ分析を用いる。
• 2023–2024年の予測のために、COVID-19以前のデータとCOVID-19期間データという2つのトレーニングセットシナリオを比較する。
• 多変量モデルには、金価格、暗号資産の終値/始値/高値、および相関する暗号資産価格指数などの特徴量を含める。

実験結果

リサーチクエスチョン

• RQ1 どの深層学習アーキテクチャ（LSTMのバリアント、CNN、Transformer）が暗号資産価格予測で最も高い精度を示すか？
• RQ2 多変量モデルは暗号資産価格予測において単変量モデルより優れているか？
• RQ3 COVID-19以前のデータで訓練した場合とCOVID-19期間データで訓練した場合で、モデル性能はどのように異なるか？
• RQ4 ボラティリティと外部指標（例: 金価格）が予測精度の向上に果たす役割は何か？

主な発見

• multivariate inputs を用いた Convolutional LSTM が 2つの主要な実験設定で最も高い予測精度を示す。
• 4つの異なる暗号資産を予測する際、多変量の深層学習モデルは単変量モデルを上回る。
• ボラティリティ分析はCOVID-19期間に顕著な価格変動を示している。
• COVID-19以前のデータを用いた予測シナリオはCOVID-19期間データを用いたものと異なり、予測性能に影響を与える。
• クロスアセット指標を組み込んだ多変量モデルは、単変量アプローチより精度を向上させる可能性があることを示している。