[论文解读] 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 4

一句话总结

该论文提出了一种结合滑动窗口与预测范围方法的混合LSTM模型，以提升加密货币价格趋势预测的准确性。通过优化窗口长度与预测时域的组合，该模型在比特币和以太坊数据集上相较于基线随机游走模型展现出更优的预测性能。

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.

研究动机与目标

• 利用深度学习提升加密货币价格趋势预测的准确性。
• 研究不同窗口长度与预测时域对LSTM模型性能的影响。
• 在不同参数设置下，将所提出的混合模型与随机游走模型进行对比。
• 识别出能实现最大预测准确性的窗口大小与预测范围的最优组合。

提出的方法

• 该模型采用滑动窗口方法，从历史加密货币价格数据中提取序列特征。
• 测试了多种窗口长度与预测时域的组合，以评估模型的鲁棒性与准确性。
• 使用长短期记忆（LSTM）网络学习时间序列数据中的时间依赖性。
• 预测范围方法通过动态调整预测时域，以提升长期趋势估计的准确性。
• 以不同参数设置的随机游走模型作为基线，开展对比评估。
• 基于比特币与以太坊价格数据，使用标准回归指标评估模型性能。

实验结果

研究问题

• RQ1 滑动窗口与预测范围方法的结合如何影响基于LSTM的加密货币价格预测准确性？
• RQ2 哪些窗口长度与预测时域的最优组合能够实现最佳预测性能？
• RQ3 在不同参数设置下，所提出的模型与随机游走模型相比表现如何？
• RQ4 该混合方法是否能提升波动性较大的加密货币市场中的长期趋势预测能力？

主要发现

• 所提出的混合模型在比特币与以太坊数据集上，预测准确性显著优于随机游走模型。
• 当窗口长度为60、预测时域为5时，性能达到最优，此时平均绝对误差（MAE）与均方根误差（RMSE）最低。
• 模型在决定系数（R-squared）方面表现出持续提升，表明对实际价格趋势的拟合效果更优。
• 滑动窗口与预测范围技术的结合，增强了模型捕捉长期市场趋势的能力。
• 敏感性分析表明，模型性能对窗口长度与预测时域的选择高度依赖。