加密货币投资的神经网络叠加

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Stacking with Neural network for Cryptocurrency investment》
---
作者：
Avinash Barnwal, Hari Pad Bharti, Aasim Ali, and Vishal Singh
---
最新提交年份：
2019
---
英文摘要：
  Predicting the direction of assets have been an active area of study and a difficult task. Machine learning models have been used to build robust models to model the above task. Ensemble methods is one of them showing results better than a single supervised method. In this paper, we have used generative and discriminative classifiers to create the stack, particularly 3 generative and 6 discriminative classifiers and optimized over one-layer Neural Network to model the direction of price cryptocurrencies. Features used are technical indicators used are not limited to trend, momentum, volume, volatility indicators, and sentiment analysis has also been used to gain useful insight combined with the above features. For Cross-validation, Purged Walk forward cross-validation has been used. In terms of accuracy, we have done a comparative analysis of the performance of Ensemble method with Stacking and Ensemble method with blending. We have also developed a methodology for combined features importance for the stacked model. Important indicators are also identified based on feature importance.
---
中文摘要：
预测资产的方向一直是一个活跃的研究领域，也是一项艰巨的任务。机器学习模型被用来建立鲁棒模型来模拟上述任务。集成方法是其中一种比单一监督方法效果更好的方法。在本文中，我们使用了生成分类器和判别分类器来创建堆栈，特别是3个生成分类器和6个判别分类器，并优化了单层神经网络来建模价格加密货币的方向。所使用的功能是所使用的技术指标，不限于趋势、动量、成交量、波动性指标，情绪分析也用于结合上述功能获得有用的见解。对于交叉验证，已使用清除的前向走交叉验证。在精度方面，我们对叠加集成方法和混合集成方法的性能进行了比较分析。我们还为叠加模型的组合特征重要性开发了一种方法。还根据特征重要性确定重要指标。
---
分类信息：

一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Stacking_with_Neural_network_for_Cryptocurrency_investment.pdf (528.96 KB)

2022-6-14 04:45:22 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：神经网络 神经网 Quantitative Applications QUANTITATIV

加密货币投资的神经网络叠加avinash Barnwal、Hari Pad Bharti、Aasim Ali和Vishal Singhincretech Inc.，普林斯顿{avinash、Hari、Aasim、Vishal}@InCretech。2019年2月25日摘要预测资产方向一直是一个活跃的研究领域和难点任务。机器学习模型（Machine learningmodels）已被用于构建鲁棒模型，以对上述任务进行建模。集成方法是比单一监督方法更好的方法之一。在本文中，我们使用generative和DiscritiveClassifiers创建堆栈，特别是3个generative和6个Discritive Classifiers，并优化了一层以上的神经网络来建模价格加密货币的方向。所使用的功能是技术指标，不仅限于趋势、动量、成交量、波动性指标，情绪分析也用于结合上述功能获得有用的见解。对于交叉验证，已使用清除的前向遍历交叉验证。在精度方面，我们对叠加集成方法和混合集成方法的性能进行了比较分析。我们还开发了叠加模型组合特征重要性的方法学。还根据特征重要性确定了重要指标。关键词：生成模型、判别模型、叠加泛化、Xgboost、LightGBM、Bitcoin1简介今天，有1000多种加密货币。市值近2000亿美元，日交易量近150亿美元。比特币、以太坊、Ripple、比特币现金和Stellar是市值排名前50位的货币。之前的研究包括比特币的价格形成和确定推动价格的重要特征[6]。2018年加密货币的崩溃表明它是复杂、动态和非线性的。

与股票市场相比，行为主义者没有太大的不同，在股票市场中，集体行为的衡量标准出现了急剧上升【8】。资产方向可预测性一直是投资组合管理的关键研究领域之一。由于本质上的复杂性、动态性和非线性，更难以制定稳健的战略。许多作者尝试开发用于金融交易的机器学习模型，它在股市预测中的成功使其适用于加密货币的价格方向预测。深度学习已被应用于预测股票收益率[10，14]。结果表明，它比浅层神经网络更为成功。还有其他机器学习模型的应用，它们表现出了巨大的性能，如梯度提升（Gradient Boosting）[13]、贝叶斯神经网络（bayes Neural network）[12]、LSTM（LSTM）[7]、朴素贝叶斯（Naive bayes）[11]、随机森林（RandomForest）[7]等等。[2] 讨论了将支持向量机与LDA、QDA和神经网络相结合来预测股市运动方向，但没有从判别模型和生成模型的角度进行讨论[3]。使用每种模型都有一些权衡。组合不同的模型可以得到更好的预测结果[4]，但有两种方法可以将其混合和叠加。叠加泛化[1]引入了元学习者的概念。它结合了不同的模式，如装袋和增压。随着xgboost[5]和LightGBM[9]等新机器学习模型的开发，包含了不同的基础学习者。允许制作本作品的部分或全部的数字或硬拷贝供个人或课堂使用，无需支付任何费用，前提是复制品的制作或分发并非出于专业或商业利益，并且副本上附有本通知和首页的完整引文。必须尊重本作品第三方组件的版权。

对于所有其他用途，请联系所有者/作者。技术指标主要与其他基本指标一起用于制定交易策略或预测价格的模型。由于使用加密货币，基本指标不包括在内。除了技术指标外，还使用情绪指标。Cointdesk发布的推文用于创建情绪指标。Cointdesk被认为是区块链的领先新闻提供商。推特数据可以用来分析投资者情绪，并导致股票和比特币的价格形成。本文的主要贡献有：（1）提出了比特币价格方向预测问题。（2） 我们使用包括动量、趋势、成交量和波动性在内的技术指标以及使用Cointdesk推文的情绪指标创建了FEAUTURE。（3） 混合区分模型和生成模型，创建基础学习者类别，包括非线性模型，以捕获模型中的不可分性。（4） 使用Pursed时间序列交叉验证调整模型的超参数，以估计鲁棒模型。（5） 使用基本学习者的叠加提高模型性能，其中叠加模型是一层前馈神经网络。（6） 使用部分依赖图发现重要特征，这对日内交易者很重要。本文其余部分的结构如下。在材料和方法部分，我们描述了数据、指标、区分模型和生成模型之间的比较、模型、交叉验证技术和使用1层神经网络的叠加。在部分结果中，我们介绍了不同模型的超参数化以及每个模型在对数损失、精度、重铸和F1分数方面的相应性能。使用部分相关图计算每个模型的特征重要性，并开发了用于计算堆叠模型的特征重要性的方法。

在结论部分，我们总结并强调了关键结果。2材料和方法2.1数据描述和预处理比特币数据从quandl下载。Quandl提供从不同交易所下载比特币数据，以获取数字资产的真实价格。我们考虑了四家交易所KRAKEN、BITSTAMP、ITBitUSD和COINBASE，以消除歧义，最终价格基于加权成交量价格。采用指数平均技术对价格中的缺失数据进行插补。我们考虑了从2017年8月到2018年7月的时间段，以及当天结束的数据。这段时间包括高峰时间和低谷时间。