Deep Neural Networks for Cryptocurrencies Price prediction

Abstract

Die Preisvorhersage ist eine der größten Herausforderungen der quantitativen Finanzierung. Diese Thesis stellt ein Neuronales Netz-Framework vor, das eine tiefgreifende maschinelle Lernlösung für das Preisvorhersageproblem bietet. Das Framework wird in drei Zeitpunkten mit einem Multilayer Perzeptron (MLP), einem einfachen Recurrent Neural Network (RNN) und einem Long Short Term Memory (LSTM) realisiert, die lange Abhängigkeiten lernen können. Wir beschreiben die Theorie der neuronalen Netze und des Deep Learning, um eine reproduzierbare Methode für unsere Anwendungen auf dem Kryptowährungsmarkt zu erstellen. Da die Preisvorhersage verwendet wird, um finanzielle Entscheidungen wie Handelssignale zu treffen, vergleichen wir verschiedene Ansätze des Vorhersageproblems, indem wir überwachte Lernmethoden in Klassifikationsaufgaben untersuchen. Wir untersuchen diese Modelle, um Preisrichtungen von wichtitgen Kryptowährungen außerhalb der Stichprobe mit einer rolling window regression Methode vorherzusagen. Für dieses Ziel erstellen wir ein Klassifikationsproblem, das voraussagt, ob der Preis jeder Kryptowährung als Grundlage für dreimonatige Handelsstrategien erheblich zu- oder abnimmt. Wir bauen verschiedene Handelsstrategien auf, basierend auf Long- oder Long- / Short-Positionen, die auf unseren Prognosen aufbauen, und vergleichen ihre Performance mit einer passiven Index-Investition auf dem Cryptowährungsmarkt, die CRIX (Trimborn and Härdle, 2016) folgt. Cryptocurrencies, Bitcoins sind die bekanntesten, basieren auf elektronischem Geld auf Blockchain-Technologie, die als eine dezentrale Alternative zu Währungen verwendet werden kann. Dank ihrer zahlreichen Anwendungen hat der Markt für Kryptowährung im Jahr 2017 ein exponentielles Wachstum erfahren. Wir vergleichen verschiedene gewichtete Portfolios, um zu testen, wie ein Anleger von fundamentalen Indikatoren wie der Marktkapitalisierung profitieren kann. Wir finden, dass LST die beste Genauigkeit für die Vorhersage von Richtungsbewegungen für die wichtigsten Kryptowährungen von CRIX hat und dass ein gleich gewichtetes Portfolio CRIX in den ersten Quartalen 2017 schlägt.

Price prediction is one of the main challenge of quantitative finance. This paper presents a Neural Network framework to provide a deep learning solution to the price prediction problem. The framework is realized in three instants with a Multilayer Perceptron (MLP), a simple Recurrent Neural Network (RNN) and a Long Short-Term Memory (LSTM), which can learn long dependencies. We describe the theory of neural networks and deep learning in order to be able to build a reproducible method for our applications on the cryptocurrency market. Since price prediction is used in order to make fi nancial decisions such as trading signals, we compare different approaches of the prediction problem by exploring supervised learning methods in classication tasks. We study these models to predict out-of-sample price directions of height major cryptocurrencies with a rolling window regression method. For that goal, we build a classi cation problem that predicts if the price of each cryptocurrency will increase or decrease considerably, as a basis for three-months trading strategies. We build di erent trading strategies, based on long or long/short positions build on our predictions and compare their performance with a passive index investment on the cryptocurrency market that follows CRIX (Trimborn and Härdle, 2016). Cryptocurrencies, Bitcoin being the most famous, are electronic money based on Blockchain technology that can be used as a decentralized alternative to at currencies. Thanks to their numerous applications, the cryptocurrency market has experienced an exponential growth during 2017. We compare di fferent weighted portfolios to test how an investor can benefi t from fundamental indicators such as market capitalization. We fi nd that LSTM has the best accuracy for predicting directional movements for the most important cryptocurrencies of CRIX and that an equally weighted portfolio beats CRIX on the fi rst quarters of 2017.