[论文解读] On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning

Marco Ortu, Nicola Uras+3 more|arXiv (Cornell University)|Feb 13, 2021

Blockchain Technology Applications and Security被引用 7

一句话总结

本研究提出了一种深度学习框架，结合技术指标、交易信号和社交媒体情绪指标，对比特币和以太坊的价格走势进行上涨或下跌分类。采用LSTM、CNN、MLP和ALSTM模型，结果表明，引入社交媒体情绪和交易信号可显著提升预测准确率——在每小时频率下，准确率从受限模型的51–55%提升至无约束模型的67–84%，其中LSTM在无约束模型中表现最佳。

ABSTRACT

This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.

研究动机与目标

• 评估整合社交媒体情绪和交易指标是否能提升加密货币价格走势分类的准确性。
• 比较四种深度学习模型（MLP、CNN、LSTM和ALSTM）在预测比特币和以太坊价格方向上的表现。
• 评估模型复杂度和数据频率（每小时与每日）对分类性能的影响。
• 确定社交媒体指标（如Reddit和GitHub的评论情绪）是否在传统技术与交易指标之外提供额外的预测能力。

提出的方法

• 本研究采用三种指标类型的多模态输入：技术指标（如开盘价、收盘价、交易量）、交易指标（如移动平均线、动量指标）以及来自Reddit和GitHub评论的社交媒体情绪指标。
• 评估了四种深度学习架构：多层感知机（MLP）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力长短期记忆网络（ALSTM）。
• 测试了两种模型变体：仅使用技术指标的受限模型和包含技术、交易及社交媒体指标的无约束模型。
• 分类任务被定义为二分类问题：预测下一次价格走势是上涨还是下跌。
• 使用标准指标评估性能：准确率、精确率、召回率和F1分数，采用自助抽样法进行稳健估计。
• 在每小时和每日两种频率分辨率下进行实验，以评估模型对时间分辨率的敏感性。

实验结果

研究问题

• RQ1 与仅使用技术指标的模型相比，是否加入社交媒体情绪和交易指标能提升加密货币价格走势分类的准确率？
• RQ2 在不同数据频率下，四种深度学习架构（MLP、CNN、LSTM、ALSTM）中哪一种在分类比特币和以太坊价格方向方面表现最佳？
• RQ3 对于受限模型和无约束模型，模型性能在每小时与每日频率分辨率下如何变化？
• RQ4 加入社交媒体和交易指标带来的性能提升是否在所有深度学习模型中均具有统计显著性且具有一致性？
• RQ5 在每日价格分类中，仅使用技术指标的性能是否显著优于包含额外数据源的更复杂模型？

主要发现

• 在每小时频率下，无约束模型（包含技术、交易和社交媒体指标）显著优于受限模型，预测准确率从51–55%提升至67–84%。
• 在每小时频率下，无约束模型中，LSTM神经网络对比特币的准确率达到最高（83%），对以太坊则达到84%。
• 在所有四种深度学习模型中，加入社交媒体和交易指标均带来一致的性能提升，表明该增益并非依赖于特定算法。
• 在每日频率下，仅使用技术指标的模型对以太坊表现最佳，MALSTM-FCN模型准确率达99%。
• 对比特币在每日频率下，最佳性能由包含社交媒体指标的无约束模型实现，准确率为60%，F1得分为55%。
• 研究发现，引入社交媒体指标可带来可测量且一致的性能提升，尤其在更高频率分辨率下更为显著。